Max pooling 采样取各样区内最大

avg pooling 取平均

regression 找到函数输出

stride 步长

padding 填充0

layer 层

O' = O - learningrate*gradient

a.shape

【深度学习框架】

- Scikit-learn：面向机器学习，不支持 GPU 加速

- Caffe：第一个面向深度学习的框架

- Keras

- Theano

- Torch

- Singa

- PyTorch

- TensorFlow

回归>>>均方误差MSE

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

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

MSE和MSA

2、衡量是否拟合了足够的信息：R²，越接近1越好

1) from sklearn.metrics import r2_score
r2_score(ytest,yhat)
2) reg.score(xtest,ytest)
3) cross_val_score(reg,x,y,cv=10,scoring="r2").mean()
R²为负说明模型拟合十分糟糕