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()

ctrl+/ 注释快捷键  等于#

特殊注释：

#!/usr/bin/python3       linux

# --coding=utf-8 --       python2 only

try:

可能会报错的代码块

except:

报错之后执行的代码块

eles:

没有报错的代码块

finally：

不管有没有出错都执行的代码块

__new__和单例对象

使用私有属性的场景

1.把特定的一个属性隐藏起来，不想让类的外部进行直接调用。

2.想要保护这个属性，不想让属性的值随意的改变

3.保护这个属性，不想让派生类（子类）去继承

1.类对象所拥有的方法，需要@startimcemethod 来表示静态方法

2.静态方法不需要参数。

3.静态方法主要用来存放逻辑性的代码，本身和类以及实例对象没有交互，也就是说，在静态方法中，不会涉及到类中方法和属性的操作。

在Python中，有一些内置好的特定的方法，方法是“——xxx——”，在进行特定的操作地会自动调用，这些方法被称为魔术方法。

1.self特点：self只有在类中定义实例方法的时候才有意义，在调用时候不必传入相应的参数，而是有解释器自动去指向

2.self的名字是可以更改的，可以定义成其他的名字，只是，约定俗成了self

3.self指的是类实例对象本身，相当于Java中this

__init__

1.Python自带的内置函数，具有特殊的函数，使用双下划线包起来的【魔术方法】

2.是一个初始化的方法用来定义实例属性和初始化数据的，在创建对象时自动调用，不用手动去调用

3.利用传参的机制让饿哦们定义功能更加强大并且方便的类

https://docs.python.org/3/library/functions.html

degree：默认为2，输入的整数越大，升入的维度越高

ordinal：会返回一列特征

什么是正则化路径？

不同a对应的特征向量的参数的取值所对应的矩阵

eps, n_alphas作用?帮助生成很小的a的取值

岭回归和LASSO的评估指标？岭回归是R2，LASSO是MSE

参数alpha_和alphas_？最佳a、自动生成的a

岭回归和LASSO计算交叉验证结果的区别？

ridge.cv_values_.mean(axis=0)#跨行求均值

lasso.mse_path_.mean(axis=1)#跨列求均值

为什么要用LASSO特征选择？LASSO对alpha敏感

如何画一条水平的虚线？

sklearn.linear_model.Ridge（岭回归：线性回归的基础上加上正则项，以处理多重共线性）

1）核心参数alpha：正则项系数，默认1，增大以消除多重共线性带来的影响，但过大会削弱模型本来已有的信息

2）通过调节alpha，模型的泛化能力可能上升。但现实生活中，很少有带有多重共线性的数据，使用岭回归和lasso模型表现一般会降低，

3）泛化能力没有直接衡量指标，只能通过R²和方差来大致判断（var()查看方差，方差反映真实值和预测值的差距）

岭回归解决多重共线性

矩阵的逆存在的条件：行列式不为0