#### 绘制直方图

组数=极差/组距

#### 条形图

plt.bar 竖着的条形图，线条粗细是width（线条的宽度）

plt.barh 横着的条形图，线条粗细成了height（线条的高低）

plt.grid 是添加网格，alpha是透明度

回归>>>均方误差MSE

#### 散点图是plt.scatter

遗忘知识点：

plt.legend(loc="uppper left",prop=my_font)

###

plt.grid绘制网格

plt.grid(alpha=0.5)#alpha这个代表透明度

plt.plot(linestyle=':')表示折线变成虚线

color=''#线条颜色

linestyle=''#折线的形式

linewidth=5#线条粗细

alpha=0.5#透明度

以上都是放在plt.plot中的

随机森林>>>分类器比较好用吗?

random_state是不同的特征作为初始的节点来产生的不同的树,所以需要不同的特征

袋装法,有放回的随机抽样技术

n个样本组成的自助集

bootstrap>>默认为True

袋外数据(out of bag data,简写为oob)

criterion 不纯度的衡量指标

有基尼系数和信息熵,信息熵的增益

n_estimators 这是森林中树木的数量,基评估器的数量,default-10

实例化-交叉验证

波动本质上是一样的,  但集成算法压倒性的强

集成算法

调参曲线,交叉验证,网格算法    调参方法

base estimator 基评估器

boosting 结合弱评估器一次次对难以评估的对象进行攻克

对特征提问得出决策规则-决策树

# 函数rotation=90旋转的度数

###调整x或者y轴上的参数

1.from matplotlib import pyplot as plt引入函数

2.plt.figure(figsize=(20,8),dpi=80)

#figurezide图片大小，（长，宽），dpi越大越不容易失真

from matplotlib import pyplot as plt

x=range(2,26,2)
y=[15,13,14,5,17,20,25,26,26,27,22,18,15]

#设置图片大小
#figurezide图片大小，（长，宽），dpi越大越不容易失真
plt.figure(figside=(20,8),dpi=80)

#绘图
plt.plot(x,y)

#设置x轴
_xtick_labels=[i/2 for i in range(2,49)]
plt.xticks(_xtick_labels[::3])

#保存

#plt.savefig("./t1.png")
#展示
plt.show()

字符串的变量

可用 == 和 is 来判断是否是同个id

只有包含下划线字母数字的字符才能进入驻留，特殊符号不可以，所以id会发生变化。

字符串成员操作符： in ， not in

1.split(x) 以'x'为界限分割字符串 x可以是空格，单字符，多字符

2.‘x’.join(y) y中的字符串，以x为分隔，拼接成一个大字符串

使用【：】取字符串的片段

[:]:取全部

[2:]从第三个位置到最后 

[2:5]从第三个位置到第五个位置 注：包头不包尾

[1:5:x] 在位置1:5之间每隔x取一个

也可以用'-'号进行反向取值，同样包头不包尾

[::-1],反向排

1.str() 注：转化数据为字符串

2.通过[]提取字符串 注：第一个字符为0，最后一个字符为len(str)-1,既可以正向提取，也可以反向向提取

3.replace在字符串中的应用

例：a = 'xy'

  a.replace('x','y')

  print(a)

  输出： 'yy'

1.转义符号的使用

2.字符串可通过+进行拼接操作（需两个为字符串）

3.字符串可通过*号进行复制

4.通过end=“”,来避免换行

使用 input（）从控制台读取键盘输入内容

myname = input('请输入名字：')

请输入名字：x

print(myname)

输出 'x'

1.同一运算符：is ，is not

区别：is判断的是地址

         ==判断的是值

注：在-5，256之间数值会缓存，所以id是相同的，不同解释器不同

1.布尔值本质是1和0

2.布尔值的比较运算符：等于，不等于，大于，小于，大于等于，小于等于

返回：True和False

3.逻辑运算符：或or，与and，非not

https://cloud.189.cn/t/EBF

### sys.path和模块搜索路径

按下面的顺序从上往下搜索

1.内置模块

2.当前目录

3.程序的主目录

4.Pythonpath目录（如果已经设置Pythonpath环境变量）

5.标准链接库目录

6.第三方库目录

7..pth文件的内容（如果存在的话）

8.sys.path.append()临时添加的目录

### 包的本质和init文件——批量导入

__init__.py的三个核心作用：

1.作为包的标识，不能删除

2.用来实现模糊导入

3.导入包实质是执行__init__.py文件，可以在__init__.py文件中做这个包的初始化，以及需要统一执行代码，以及批量导入

### 用*导入包

import*会把子模块全部导入，生产中不建议使用

### 包内引用

from..importmodule_a  #..表示上级目录

from.import module_A2 #.表示同级目录