1.分類および回帰
カテゴリーは：これらのタグのいずれかに与えられたラベル、データの新部門に基づいています
戻り値：つまり、物事のいくつかの特性に応じて、物事の他の特性を決定するためにどの区間の範囲内
たとえば、次の人の収入の範囲を決定するなど、教育、年齢、の人のレベルによると、
差分：分類出力を離散、固定されている点である。回帰連続出力間隔です。
2.一般化、オーバーフィッティングとunderfitting
汎化：データの正確な予測をすることができるモデルは見ていない、モデルがテストセットにトレーニングセットから一般化できると言います
過剰適合：構築したモデルは、そのための既存のデータモデルはトレーニングセットの詳細を過度に懸念しているため、あまりにも複雑で、トレーニングセット上で良好なパフォーマンスを持って取得しますが、新しいデータに一般化することはできません。
Underfitting：貧困層にトレーニングセット上のモデルの性能は、underfittingされます
3.教師付き学習アルゴリズム
3.1いくつかのサンプルデータセット
データセットをscikit-学び、実際のデータを含むバンチオブジェクトであり、データの一部が（辞書のような）情報を設定します
3.1.1鍛造データセット
必要なパッケージをインポート
前記二つのデータセット鍛造
＃は、データセットの生成 X、Y = mglearn.datasets.make_forge（）＃の X とYの2つの機能が鍛造返される
プリント（ "X.shape：{}" 。フォーマット（X.shape））＃1 X.shapeを：（ 26、2）
＃データセットプロット
mglearn.discrete_scatter（X [：0] 、X [：1]、y）を＃ 0とx軸、Y-Y軸として第1列の入力X
plt.legend（[「クラス0「」クラス1 『] 、LOC = 4）＃1 カテゴリ名設定画像
plt.xlabel（』第一の特徴『）＃は、画像のx軸の名前設定
画像を設定する第二の特徴「）＃1、y軸plt.ylabelを（』名前
3.1.2波データセット
波形特徴データセットは、（Y軸は出力を表し、x軸が表す）のみ1つの入力と連続目的変数であります
X-、Y = mglearn.datasets.make_wave（N_SAMPLES = 40 ）＃40のデータを生成する、X.shapeが（40,1）である、y.shapeは（40）である plt.plot（X、Y、' O ' ） ＃点線の円は、使用示し plt.ylimを（ -3 ,. 3 ）部＃y軸表示範囲設定 plt.xlabel（「フィーチャー」） plt.ylabel（「ターゲット」）
3.1.3がんのデータセット
癌の臨床測定データセットは、データ乳房腫瘍、良性および悪性の腫瘍マーカーの各々を記録し（すなわち、2つのラベルのみ）
sklearn.datasets インポートload_breast_cancerの 癌 = load_breast_cancer（） プリント（cancer.keys（）） >>> dict_keys（[ ' データ'、' 目標'、' target_names '、' DESCRは'、' FEATURE_NAMEに'、' ファイル名' ]）
プリント（cancer.data.shape）
プリント（cancer.target.shape）
プリント（cancer.target_names）
プリント（cancer.feature_names）
>>>（569、30）
>>>（569）
>>> [ '悪性「良性」]
>>> ['の半径を意味'意味テクスチャ'境界を意味「平均面積」「「平均「凹面点意味」「の凹部を意味」コンパクトを意味'」滑らかさを意味対称「対称エラー'凹状点エラー'コンパクトエラー『凹部エラー』 『滑らかエラー』領域エラー' 『境界エラー』半径誤差' 『テクスチャエラー』 『フラクタル次元を意味』 'フラクタル次元エラー」最悪半径『最悪テクスチャ』 『最悪の境界』 『最悪エリア』 『最悪滑らか』 『最悪コンパクト』 『最悪凹部』 『最悪凹面点』 『最悪対称』 '最悪のフラクタル次元 ']
{N：V ための N、V におけるジッパー（cancer.target_names、np.bincount（cancer.target））}
>>> { ' 悪性'：212、' 良性'：357}
np.bincountの特徴：用于统计每个数字的出现次数
X = np.array（[0、1、1、3、2、1、7]）a = np.bincount(x)
>>>array([1, 3, 1, 1, 0, 0, 0, 1])
# 如上例,x的范围就是0-7,bincount生成一个np.max(x)+1的array:a
# 当a要生成第一个数时,此时要生成的数字索引为0,就在x中找0出现了多少次,本例为1次,append进来
# 然后a生成第二个数,此时要生成的数组索引是1,就在x中找1出现了多少次,本例为3
# 依次遍历到7,即x
重みのnp.bincountパラメータ
np.array = W（[0.3、0.5、0.2、0.7、1、-0.6 ]） ＃我々はxの最大数は4、ビン5の数であることを確認できるように、インデックス値0〜 > 4 X = np.array（[2 ,. 1 ,. 3 ,. 4 ,. 4 ,. 3 ]） ＃のインデックス0 - > 0 ＃インデックス1 - > Wの[1] = 0.5 ＃インデックス2 - > W [0] = 0.3 ＃。索引3 - > [2] + W [5] = 0.2 W - 0.6 = -0.4 ＃索引4 - > W [3] + W [4] = + 0.7 = 1.7 1 np.bincount（X、重み= W ） ＃このため、出力される：配列（[0、0.5、 0.3、-0.4、1.7]）
3.1.4ボストン住宅データセット
このデータセットは、506個のデータ点を含み、各データは、13項を指し
sklearn.datasets インポートload_boston ボストン = load_boston（） プリント（boston.data.shape） >>>（506、13）
3.2 kの隣人
3.2.1 k近傍分類器、K-NNアルゴリズム
自分のカテゴリとして最近傍カテゴリに丸め
mglearn.plots.plot_knn_classification（N_NEIGHBORS = 1 ）
3人の隣人を取り、そして中に三つのカテゴリーに応じて、独自のカテゴリとして最大数が含まれています
mglearn.plots.plot_knn_classification（N_NEIGHBORS = 3）
k近傍の3.2.2応用
インポートデータ・セット、およびトレーニングセットとテストセットに分割
sklearn.model_selection インポートtrain_test_splitの X、Y = mglearn.datasets.make_forge（） X_train、X_test、y_train、y_test = train_test_split（X、Y、random_state = 0）
隣人の数：輸入クラスとインスタンス化KNNアルゴリズム、およびパラメータを設定
sklearn.neighbors インポートKNeighborsClassifier CLF = KNeighborsClassifier（N_NEIGHBORS = 3）
（KNNは、計算例を予測するために、トレーニングデータセットのために保存される）分類器のトレーニングセットを使用してフィッティング
clf.fit(X_train, y_train)
>>>KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski', metric_params=None, n_jobs=None, n_neighbors=3, p=2, weights='uniform')
调用predict方法进行预测
clf.predict(X_test) >>>array([1, 0, 1, 0, 1, 0, 0])
clf.score(X_test, y_test)
>>>0.8571428571428571
3.2.3 分析KNeighborsClassifier
绘制决策边界: 绘制1个,3个和9个邻居的决策边界
fig, axes = plt.subplots(1, 3, figsize=(10,3)) # 绘制一个1行3列的共3个子图; fig是主图,axes是子图 for n_neighbors, ax in zip([1, 3, 9], axes): clf = KNeighborsClassifier(n_neighbors=n_neighbors).fit(X, y) mglearn.plots.plot_2d_separator(clf, X, fill=True, eps=0.5, ax=ax, alpha=.4) mglearn.discrete_scatter(X[:,0], X[:,1], y, ax=ax) ax.set_title("{} neighbor(s)".format(n_neighbors)) ax.set_xlabel("feature 0") ax.set_ylabel("feature 1") axes[0].legend(loc=3) # loc标示legend的位置是左下角还是右下角,还是上边
# # # 待更新