程序基本格式

1.恰当空格，缩进问题

（1）逻辑行首空白用来决定逻辑行的缩进层次，从而用来决定语句的分组。

（2）语句从新行第一列开始。

（3）缩进风格统一：

①每个缩进层次使用 单个制表符或者四个空格（IDE会自动将制表符设置成4个空格）

②Python用缩进而不是{}表示程序块

2.Python 区分大小写

3.注释

（1）行注释

每行注释前加#

（2）三个连续单引号（'''）

python为解释性语言，可嵌入到C和C++语言中，也称为胶水语言

交互模式中端程序执行 ctrl + c  

    关闭交互窗口 Ctrl + z

 #apply返回每个测试样本所在叶子节点的索引

clf.apply(xtext)

#predict返回每个测试样本的分类、回归结果

clf.predict(xtest)

#决策树
# from sklearn import tree#导入需要的模块
# clf=tree.DecisionTreeClassifier()#实例化
# clf=clf.fit(x_train,y_train)#用训练集数据训练模型
# result=clf.score(x_test,y_test)#导入测试集，从接口中调用需要的信息进行打分

citerion:不纯度，不纯的越低，训练集拟合越好

机器学习

a=[]
a =[
    ["高小一",1830,"北京"],
    ["高小二",1831,"上海"],
    ["高小一",1832,"北京"]
]

for m in range(3):
    for n in range(4):
        print(a[m][n].end=='\t')
    print() #打印完一行，换行

#修改原列表，不修改新的列表排序
a.sort ##默认是升序
a.sort(reverse= true) ##降序排列

import random
random.shuffle(a) ##打乱排序

【10，20，30，40，50，60，70】【-5：-3】

##倒数第五和倒数第三，包头不包尾

结果：【30，40】

【10，20，30，40，50，60，70】【：：-1】

##反向提取

结果：【70，60，50，40，30，20，10】

#print列表的遍历

#account 计数
#len 列表长度

##index（）获得指定元素在列表中首次出现的索引

a = ["明天出去吗？","不，要去做核酸"]
a.remove('明天出去吗？')
a

#bin(c)#打印二进制数

bin（c&b）

bin（c^b）亦或，相同是0，不相同是1

左移相当于*2右移相当于/2

a==3

a<<3

#字符串拼接

“3”+“2”==“32”

【10，20，30】+【5，10，100】=【10 20 30 5 10 100】

#乘法

“sxt”*3 =sxtsxtsxt

【10，20，30】*2=【10，20，30，10，20，30】

io.StringIO 可变符号串

例如：

s = 'hello.sxt'

import io

sio = io.StringIO(s)

sio

a='abcdfehunlnklnaskdkl'

a[1:5]

a[-5:]

del 变量名  #删除

算法的五大特性：输入、输出、有穷性、确定性、可行性

1.安装与开发环境

• 安装python时候可开放所有权限
• 勾选环境变量选项
•  

阿斯蒂芬

支持向量机的分类方法，是在这组分布中找出一个超平面作为决策边界，使模型在数据上的 分类误差尽量接近于小，尤其是在未知数据集上的分类误差（泛化误差）尽量小。

决策边界一侧的所有点在分类为属于一个类，而另一侧的所有点分类属于另一个类。如果我们能够找出决策边界， 分类问题就可以变成探讨每个样本对于决策边界而言的相对位置。比如上面的数据分布，我们很容易就可以在方块 和圆的中间画出一条线，并让所有落在直线左边的样本被分类为方块，在直线右边的样本被分类为圆。如果把数据 当作我们的训练集，只要直线的一边只有一种类型的数据，就没有分类错误，我们的训练误差就会为0。

但是，对于一个数据集来说，让训练误差为0的决策边界可以有无数条。

支持向量机（SVM，也称为支持向量网络），是机器学习中获得关注最多的算法没有之一。它源于统计学习理论， 是我们除了集成算法之外，接触的第一个强学习器。它有多强呢？

从实际应用来看，SVM在各种实际问题中都表现非常优秀。它在手写识别数字和人脸识别中应用广泛，在文本和超 文本的分类中举足轻重，因为SVM可以大量减少标准归纳（standard inductive）和转换设置（transductive settings）中对标记训练实例的需求。同时，SVM也被用来执行图像的分类，并用于图像分割系统。。除此之外，生物学和许多其他科学都是SVM的青睐者，SVM现在已经广泛被用于蛋白质分类，现 在化合物分类的业界平均水平可以达到90%以上的准确率。在生物科学的尖端研究中，人们还使用支持向量机来识 别用于模型预测的各种特征，以找出各种基因表现结果的影响因素。

从学术的角度来看，SVM是最接近深度学习的机器学习算法。线性SVM可以看成是神经网络的单个神经元（虽然损 失函数与神经网络不同），非线性的SVM则与两层的神经网络相当，非线性的SVM中如果添加多个核函数，则可以 模仿多层的神经网络。