在本章主要内容：

NumPy基础知识
加载iris数据集
查看iris数据集
用pandas查看iris数据集
用NumPy和matplotlib绘图
最小机器学习配方 - SVM分类
介绍交叉验证
以上汇总
机器学习概述 - 分类与回归

简介

本章我们将学习如何使用scikit-learn进行预测。机器学习强调衡量预测能力，并用scikit-learn进行准确和快速的预测。我们将检查iris数据集，该数据集由三种iris的测量结果组成：Iris Setosa，Iris Versicolor和Iris Virginica。

为了衡量预测，我们将：

保存一些数据以进行测试
仅使用训练数据构建模型
测量测试集的预测能力

解决问题的方法

类别(Classification)：
非文本，比如Iris
回归
聚类
降维

技术支持 (可以加qq群：887934385）

NumPy基础

数据科学经常处理结构化的数据表。scikit-learn库需要二维NumPy数组。在本节中，您将学习

NumPy的shape和dimension

   In [1]: import numpy as np

     In [2]: np.arange(10)

     Out[2]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

     In [3]: array_1 = np.arange(10)

     In [4]: array_1.shape

     Out[4]: (10,)

     In [5]: array_1.ndim

     Out[5]: 1

     In [6]: array_1.reshape((5,2))

     Out[6]:

     array([[0, 1],

            [2, 3],

            [4, 5],

            [6, 7],

            [8, 9]])

     In [7]: array_1 = array_1.reshape((5,2))

     In [8]: array_1.ndim

     Out[8]: 2

NumPy广播(broadcasting)

  In [9]: array_1 + 1

     Out[9]:

     array([[ 1,  2],

            [ 3,  4],

            [ 5,  6],

            [ 7,  8],

            [ 9, 10]])

     In [10]: array_2 = np.arange(10)

     In [11]: array_2 * array_2

     Out[11]: array([ 0,  1,  4,  9, 16, 25, 36, 49, 64, 81])

     In [12]: array_2 = array_2 ** 2 #Note that this is equivalent to array_2 *

     In [13]: array_2

     Out[13]: array([ 0,  1,  4,  9, 16, 25, 36, 49, 64, 81])

     In [14]: array_2 = array_2.reshape((5,2))

     In [15]: array_2

     Out[15]:

     array([[ 0,  1],

            [ 4,  9],

            [16, 25],

            [36, 49],

            [64, 81]])

     In [16]: array_1 = array_1 + 1

     In [17]: array_1

     Out[17]:

     array([[ 1,  2],

            [ 3,  4],

            [ 5,  6],

            [ 7,  8],

            [ 9, 10]])

     In [18]: array_1 + array_2

     Out[18]:

     array([[ 1,  3],

            [ 7, 13],

            [21, 31],

            [43, 57],

            [73, 91]])

初始化NumPy数组和dtypes

   In [19]: np.zeros((5,2))

     Out[19]:

     array([[0., 0.],

            [0., 0.],

            [0., 0.],

            [0., 0.],

            [0., 0.]])

     In [20]: np.ones((5,2), dtype = np.int)

     Out[20]:

     array([[1, 1],

            [1, 1],

            [1, 1],

            [1, 1],

            [1, 1]])

     In [21]: np.empty((5,2), dtype = np.float)

     Out[21]:

     array([[0.00000000e+000, 0.00000000e+000],

            [6.90082649e-310, 6.90082647e-310],

            [6.90072710e-310, 6.90072711e-310],

            [6.90083466e-310, 0.00000000e+000],

            [6.90083921e-310, 1.90979621e-310]])

索引

  In [22]: array_1[0,0] #Finds value in first row and first column.

     Out[22]: 1

     In [23]: array_1[0,:] # View the first row

     Out[23]: array([1, 2])

     In [24]: array_1[:,0] # view the first column

     Out[24]: array([1, 3, 5, 7, 9])

     In [25]: array_1[2:5, :]

     Out[25]:

     array([[ 5,  6],

            [ 7,  8],

            [ 9, 10]])

     In [26]: array_1

     Out[26]:

     array([[ 1,  2],

            [ 3,  4],

            [ 5,  6],

            [ 7,  8],

            [ 9, 10]])

     In [27]: array_1[2:5,0]

     Out[27]: array([5, 7, 9])

布尔数组

     In [28]: array_1 > 5

     Out[28]:

     array([[False, False],

            [False, False],

            [False,  True],

            [ True,  True],

            [ True,  True]])

     In [29]: array_1[array_1 > 5]

     Out[29]: array([ 6,  7,  8,  9, 10])

算术运算

 In [30]: array_1.sum()

     Out[30]: 55

     In [31]: array_1.sum(axis = 1) # Find all the sums by row:

     Out[31]: array([ 3,  7, 11, 15, 19])

     In [32]: array_1.sum(axis = 0) # Find all the sums by column

     Out[32]: array([25, 30])

     In [33]: array_1.mean(axis = 0)

     Out[33]: array([5., 6.])

NaN值

  # Scikit-learn不接受np.nan

     In [34]: array_3 = np.array([np.nan, 0, 1, 2, np.nan])

     In [35]: np.isnan(array_3)

     Out[35]: array([ True, False, False, False,  True])

     In [36]: array_3[~np.isnan(array_3)]

     Out[36]: array([0., 1., 2.])

     In [37]: array_3[np.isnan(array_3)] = 0

     In [38]: array_3

     Out[38]: array([0., 0., 1., 2., 0.])

Scikit-learn只接受实数的二维NumPy数组，没有缺失的np.nan值。从经验来看，最好将np.nan改为某个值丢弃。就我个人而言，我喜欢跟踪布尔模板并保持数据的形状大致相同，因为这会导致更少的编码错误和更多的编码灵活性。

加载数据

 In [1]: import numpy as np

 In [2]: import pandas as pd

 In [3]: import matplotlib.pyplot as plt

 In [4]: from sklearn import datasets

 In [5]: iris = datasets.load_iris()

 In [6]: iris.data

 Out[6]:

 array([[5.1, 3.5, 1.4, 0.2],

        [4.9, 3. , 1.4, 0.2],

        [4.7, 3.2, 1.3, 0.2],

        [4.6, 3.1, 1.5, 0.2],

        [5. , 3.6, 1.4, 0.2],

        [5.4, 3.9, 1.7, 0.4],

        [4.6, 3.4, 1.4, 0.3],

        [5. , 3.4, 1.5, 0.2],

        [4.4, 2.9, 1.4, 0.2],

        [4.9, 3.1, 1.5, 0.1],

        [5.4, 3.7, 1.5, 0.2],

        [4.8, 3.4, 1.6, 0.2],

        [4.8, 3. , 1.4, 0.1],

        [4.3, 3. , 1.1, 0.1],

        [5.8, 4. , 1.2, 0.2],

        [5.7, 4.4, 1.5, 0.4],

        [5.4, 3.9, 1.3, 0.4],

        [5.1, 3.5, 1.4, 0.3],

        [5.7, 3.8, 1.7, 0.3],

        [5.1, 3.8, 1.5, 0.3],

        [5.4, 3.4, 1.7, 0.2],

        [5.1, 3.7, 1.5, 0.4],

        [4.6, 3.6, 1. , 0.2],

        [5.1, 3.3, 1.7, 0.5],

        [4.8, 3.4, 1.9, 0.2],

        [5. , 3. , 1.6, 0.2],

        [5. , 3.4, 1.6, 0.4],

        [5.2, 3.5, 1.5, 0.2],

        [5.2, 3.4, 1.4, 0.2],

        [4.7, 3.2, 1.6, 0.2],

        [4.8, 3.1, 1.6, 0.2],

        [5.4, 3.4, 1.5, 0.4],

        [5.2, 4.1, 1.5, 0.1],

        [5.5, 4.2, 1.4, 0.2],

        [4.9, 3.1, 1.5, 0.1],

        [5. , 3.2, 1.2, 0.2],

        [5.5, 3.5, 1.3, 0.2],

        [4.9, 3.1, 1.5, 0.1],

        [4.4, 3. , 1.3, 0.2],

        [5.1, 3.4, 1.5, 0.2],

        [5. , 3.5, 1.3, 0.3],

        [4.5, 2.3, 1.3, 0.3],

        [4.4, 3.2, 1.3, 0.2],

        [5. , 3.5, 1.6, 0.6],

        [5.1, 3.8, 1.9, 0.4],

        [4.8, 3. , 1.4, 0.3],

        [5.1, 3.8, 1.6, 0.2],

        [4.6, 3.2, 1.4, 0.2],

        [5.3, 3.7, 1.5, 0.2],

        [5. , 3.3, 1.4, 0.2],

        [7. , 3.2, 4.7, 1.4],

        [6.4, 3.2, 4.5, 1.5],

        [6.9, 3.1, 4.9, 1.5],

        [5.5, 2.3, 4. , 1.3],

        [6.5, 2.8, 4.6, 1.5],

        [5.7, 2.8, 4.5, 1.3],

        [6.3, 3.3, 4.7, 1.6],

        [4.9, 2.4, 3.3, 1. ],

        [6.6, 2.9, 4.6, 1.3],

        [5.2, 2.7, 3.9, 1.4],

        [5. , 2. , 3.5, 1. ],

        [5.9, 3. , 4.2, 1.5],

        [6. , 2.2, 4. , 1. ],

        [6.1, 2.9, 4.7, 1.4],

        [5.6, 2.9, 3.6, 1.3],

        [6.7, 3.1, 4.4, 1.4],

        [5.6, 3. , 4.5, 1.5],

        [5.8, 2.7, 4.1, 1. ],

        [6.2, 2.2, 4.5, 1.5],

        [5.6, 2.5, 3.9, 1.1],

        [5.9, 3.2, 4.8, 1.8],

        [6.1, 2.8, 4. , 1.3],

        [6.3, 2.5, 4.9, 1.5],

        [6.1, 2.8, 4.7, 1.2],

        [6.4, 2.9, 4.3, 1.3],

        [6.6, 3. , 4.4, 1.4],

        [6.8, 2.8, 4.8, 1.4],

        [6.7, 3. , 5. , 1.7],

        [6. , 2.9, 4.5, 1.5],

        [5.7, 2.6, 3.5, 1. ],

        [5.5, 2.4, 3.8, 1.1],

        [5.5, 2.4, 3.7, 1. ],

        [5.8, 2.7, 3.9, 1.2],

        [6. , 2.7, 5.1, 1.6],

        [5.4, 3. , 4.5, 1.5],

        [6. , 3.4, 4.5, 1.6],

        [6.7, 3.1, 4.7, 1.5],

        [6.3, 2.3, 4.4, 1.3],

        [5.6, 3. , 4.1, 1.3],

        [5.5, 2.5, 4. , 1.3],

        [5.5, 2.6, 4.4, 1.2],

        [6.1, 3. , 4.6, 1.4],

        [5.8, 2.6, 4. , 1.2],

        [5. , 2.3, 3.3, 1. ],

        [5.6, 2.7, 4.2, 1.3],

        [5.7, 3. , 4.2, 1.2],

        [5.7, 2.9, 4.2, 1.3],

        [6.2, 2.9, 4.3, 1.3],

        [5.1, 2.5, 3. , 1.1],

        [5.7, 2.8, 4.1, 1.3],

        [6.3, 3.3, 6. , 2.5],

        [5.8, 2.7, 5.1, 1.9],

        [7.1, 3. , 5.9, 2.1],

        [6.3, 2.9, 5.6, 1.8],

        [6.5, 3. , 5.8, 2.2],

        [7.6, 3. , 6.6, 2.1],

        [4.9, 2.5, 4.5, 1.7],

        [7.3, 2.9, 6.3, 1.8],

        [6.7, 2.5, 5.8, 1.8],

        [7.2, 3.6, 6.1, 2.5],

        [6.5, 3.2, 5.1, 2. ],

        [6.4, 2.7, 5.3, 1.9],

        [6.8, 3. , 5.5, 2.1],

        [5.7, 2.5, 5. , 2. ],

        [5.8, 2.8, 5.1, 2.4],

        [6.4, 3.2, 5.3, 2.3],

        [6.5, 3. , 5.5, 1.8],

        [7.7, 3.8, 6.7, 2.2],

        [7.7, 2.6, 6.9, 2.3],

        [6. , 2.2, 5. , 1.5],

        [6.9, 3.2, 5.7, 2.3],

        [5.6, 2.8, 4.9, 2. ],

        [7.7, 2.8, 6.7, 2. ],

        [6.3, 2.7, 4.9, 1.8],

        [6.7, 3.3, 5.7, 2.1],

        [7.2, 3.2, 6. , 1.8],

        [6.2, 2.8, 4.8, 1.8],

        [6.1, 3. , 4.9, 1.8],

        [6.4, 2.8, 5.6, 2.1],

        [7.2, 3. , 5.8, 1.6],

        [7.4, 2.8, 6.1, 1.9],

        [7.9, 3.8, 6.4, 2. ],

        [6.4, 2.8, 5.6, 2.2],

        [6.3, 2.8, 5.1, 1.5],

        [6.1, 2.6, 5.6, 1.4],

        [7.7, 3. , 6.1, 2.3],

        [6.3, 3.4, 5.6, 2.4],

        [6.4, 3.1, 5.5, 1.8],

        [6. , 3. , 4.8, 1.8],

        [6.9, 3.1, 5.4, 2.1],

        [6.7, 3.1, 5.6, 2.4],

        [6.9, 3.1, 5.1, 2.3],

        [5.8, 2.7, 5.1, 1.9],

        [6.8, 3.2, 5.9, 2.3],

        [6.7, 3.3, 5.7, 2.5],

        [6.7, 3. , 5.2, 2.3],

        [6.3, 2.5, 5. , 1.9],

        [6.5, 3. , 5.2, 2. ],

        [6.2, 3.4, 5.4, 2.3],

        [5.9, 3. , 5.1, 1.8]])

 In [7]: iris.data.shape

 Out[7]: (150, 4)

 In [8]: iris.data[0]

 Out[8]: array([5.1, 3.5, 1.4, 0.2])

 In [9]: iris.feature_names

 Out[9]:

 ['sepal length (cm)',

  'sepal width (cm)',

  'petal length (cm)',

  'petal width (cm)']

 In [10]: iris.target

 Out[10]:

 array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

        0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

        0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,

        1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,

        1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,

        2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,

        2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])

 In [11]: iris.target.shape

 Out[11]: (150,)

 In [12]: iris.target_names

 Out[12]: array(['setosa', 'versicolor', 'virginica'], dtype='<U10')

用pandas查看数据

 import numpy as np    #Load the numpy library for fast array computations

 import pandas as pd   #Load the pandas data-analysis library

 import matplotlib.pyplot as plt   #Load the pyplot visualization library

 %matplotlib inline

 from sklearn import datasets

 iris = datasets.load_iris()

 iris_df = pd.DataFrame(iris.data, columns = iris.feature_names)

 iris_df['sepal length (cm)'].hist(bins=30)

```

!python

for class_number in np.unique(iris.target): plt.figure(1) iris_df['sepal length (cm)'].iloc[np.where(iris.target == class_number)[0]].hist(bins=30)

![Alt Text]({filename}/images/scikit-learn-cookbook1-pandas2.png)   

 ```

#!python

np.where(iris.target == class_number)[0]

执行结果

 array([100, 101, 102, 103, 104, 105, 106, 107, 108, 109, 110, 111, 112,

        113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125,

        126, 127, 128, 129, 130, 131, 132, 133, 134, 135, 136, 137, 138,

        139, 140, 141, 142, 143, 144, 145, 146, 147, 148, 149], dtype=int64)

matplotlib和NumPy作图

 import numpy as np

 import matplotlib.pyplot as plt

 %matplotlib inline

 plt.plot(np.arange(10), np.arange(10))

 plt.plot(np.arange(10), np.exp(np.arange(10)))

 # 两张图片放在一起

 plt.figure()

 plt.subplot(121)

 plt.plot(np.arange(10), np.exp(np.arange(10)))

 plt.subplot(122)

 plt.scatter(np.arange(10), np.exp(np.arange(10)))

 plt.figure()

 plt.subplot(211)

 plt.plot(np.arange(10), np.exp(np.arange(10)))

 plt.subplot(212)

 plt.scatter(np.arange(10), np.exp(np.arange(10)))

 plt.figure()

 plt.subplot(221)

 plt.plot(np.arange(10), np.exp(np.arange(10)))

 plt.subplot(222)

 plt.scatter(np.arange(10), np.exp(np.arange(10)))

 plt.subplot(223)

 plt.scatter(np.arange(10), np.exp(np.arange(10)))

 plt.subplot(224)

 plt.scatter(np.arange(10), np.exp(np.arange(10)))

 from sklearn.datasets import load_iris

 iris = load_iris()

 data = iris.data

 target = iris.target

 # Resize the figure for better viewing

 plt.figure(figsize=(12,5))

 # First subplot

 plt.subplot(121)

 # Visualize the first two columns of data:

 plt.scatter(data[:,0], data[:,1], c=target)

 # Second subplot

 plt.subplot(122)

 # Visualize the last two columns of data:

 plt.scatter(data[:,2], data[:,3], c=target)

import numpy as np

import matplotlib.pyplot as plt

%matplotlib inline

plt.plot(np.arange(10), np.arange(10))

plt.plot(np.arange(10), np.exp(np.arange(10)))

# 两张图片放在一起

plt.figure()

plt.subplot(121)

plt.plot(np.arange(10), np.exp(np.arange(10)))

plt.subplot(122)

plt.scatter(np.arange(10), np.exp(np.arange(10)))

plt.figure()

plt.subplot(211)

plt.plot(np.arange(10), np.exp(np.arange(10)))

plt.subplot(212)

plt.scatter(np.arange(10), np.exp(np.arange(10)))

plt.figure()

plt.subplot(221)

plt.plot(np.arange(10), np.exp(np.arange(10)))

plt.subplot(222)

plt.scatter(np.arange(10), np.exp(np.arange(10)))

plt.subplot(223)

plt.scatter(np.arange(10), np.exp(np.arange(10)))

plt.subplot(224)

plt.scatter(np.arange(10), np.exp(np.arange(10)))

from sklearn.datasets import load_iris

iris = load_iris()

data = iris.data

target = iris.target

# Resize the figure for better viewing

plt.figure(figsize=(12,5))

# First subplot

plt.subplot(121)

# Visualize the first two columns of data:

plt.scatter(data[:,0], data[:,1], c=target)

# Second subplot

plt.subplot(122)

# Visualize the last two columns of data:

plt.scatter(data[:,2], data[:,3], c=target)

执行结果参见

最小机器学习快速入门 - 向量机分类

为了做出预测，我们将： * 说明要解决的问题 * 选择一个模型来解决问题 * 训练模型 * 作出预测 * 衡量模型的表现如何

scikit-learn_cookbook1: 高性能机器学习-NumPy的更多相关文章

[机器学习]numpy broadcast shape 机制
最近在做机器学习的时候,对未知对webshell检测,发现代码提示:ValueError: operands could not be broadcast together with shapes ( ...
机器学习- Numpy基础吐血整理
Numpy是专门为数据科学或者数据处理相关的需求设计的一个高效的组件.听起来是不是挺绕口的,其实简单来说就2个方面,一是Numpy是专门处理数据的,二是Numpy在处理数据方面很牛逼(肯定比Pytho ...
机器学习 Numpy库入门
2017-06-28 13:56:25 Numpy 提供了一个强大的N维数组对象ndarray,提供了线性代数,傅里叶变换和随机数生成等的基本功能,可以说Numpy是Scipy,Pandas等科学计算 ...
第四十篇入门机器学习——Numpy.array的基本操作——向量及矩阵的运算
No.1. Numpy.array相较于Python原生List的性能优势 No.2. 将向量或矩阵中的每个元素 + 1 No.2. 将向量或矩阵中的所有元素 - 1 No.3. 将向量或矩阵中的所有 ...
第三十七篇入门机器学习——Numpy基础
No.1. 查看numpy版本 No.2. 为了方便使用numpy,在导入时顺便起个别名 No.3. numpy.array的基本操作:创建.查询.修改 No.4. 用dtype查看当前元素的数据类型 ...
第四十三篇入门机器学习——Numpy的基本操作——Fancy Indexing
No.1. 通过索引快速访问向量中的多个元素 No.2. 用索引对应的元素快速生成一个矩阵 No.3. 通过索引从矩阵中快速获取多个元素 No.4. 获取矩阵中感兴趣的行或感兴趣的列,重新组成矩阵 N ...
第四十二篇入门机器学习——Numpy的基本操作——索引相关
No.1. 使用np.argmin和np.argmax来获取向量元素中最小值和最大值的索引 No.2. 使用np.random.shuffle将向量中的元素顺序打乱,操作后,原向量发生改变:使用np. ...
第四十一篇入门机器学习——Numpy的基本操作——聚合操作
No.1. 对向量元素求和使用np.sum,也可以使用类似big_array.sum()的方式 No.2. 对向量元素求最小值使用np.min,求最大值使用np.max,也可以使用类似big_arra ...
第三十九篇入门机器学习——Numpy.array的基础操作——合并与分割向量和矩阵
No.1. 初始化状态 No.2. 合并多个向量为一个向量 No.3. 合并多个矩阵为一个矩阵 No.4. 借助vstack和hstack实现矩阵与向量的快速合并.或多个矩阵快速合并 No.5. 分割 ...

随机推荐

fenby C语言 P29
野指针 malloc()分配内存: free()释放内存: p=(char*)malloc(100): #include <stdio.h>#include <stdlib.h> ...
MarkDown时序图
时序图语法 ```sequence ``` 标题 title: 我是标题对象 participant A participant B as b-alias 交互 sequence A->B: ...
Java基础系列1：Java面向对象
该系列博文会告诉你如何从入门到进阶,一步步地学习Java基础知识,并上手进行实战,接着了解每个Java知识点背后的实现原理,更完整地了解整个Java技术体系,形成自己的知识框架. 概述: Java是面 ...
(Java) RedisUtils
package com.vcgeek.hephaestus.utils; import org.springframework.beans.factory.annotation.Autowired; ...
Java 发展历程
JDK 1.0 1991年4月,由 James Gosling 博士领导的绿色计划(Green Project)开始启动,此计划的目的是开发一种能够在各种消费性电子产品(如机顶盒.冰箱.收音机等)上运 ...
Java自动化测试框架-08 - TestNG之并行性和超时篇（详细教程）
一.并行性和超时您可以指示TestNG以各种方式在单独的线程中运行测试. 可以通过在suite标签中使用 parallel 属性来让测试方法运行在不同的线程中.这个属性可以带有如下这样的值: 二.并 ...
CVE-2019-13272 Linux kernel 权限许可和访问控制问题漏洞
漏洞简介: Linuxkernel是美国Linux基金会发布的开源操作系统Linux所使用的内核. Linuxkernel5.1.17之前版本中存在安全漏洞,该漏洞源于kernel/ptrace.c文 ...
Ubuntu18.04 安装在VMware 14中无法全屏问题解决
现象:在安装完Ubuntu18.04后发现在虚拟机中不能全屏,安装Vmware Tools后还是无法解决,修改分辨率亦不成功. 原因:WAYLAND限制解决方法:取消ubuntu中的显示设备WAYL ...
原生JS实现栈结构
1. 前言栈,是一种遵从后进先出(LIFO,Later-In-First-Out)原则的有序集合.新添加的元素都保存在栈的一端,称作栈顶,另一端叫做栈底.在栈中,新元素都靠近栈顶,旧元素都靠近栈底. ...
TRANK和VTP
需求:因为公司规模逐渐扩大,出现相同部门不同办公室的情况,老板提出新的要求:相同部门可以通信,不同部门不能通信. 利用vlan: 缺点:浪费材料,应用技术手段把两条交叉线变成一条. 因此,引进trun ...

scikit-learn_cookbook1: 高性能机器学习-NumPy

简介