Wide and deep 模型是 TensorFlow 在 2016 年 6 月左右发布的一类用于分类和回归的模型，并应用到了 Google Play 的应用推荐中。wide and deep 模型的核心思想是结合线性模型的记忆能力（memorization）和 DNN 模型的泛化能力（generalization），在训练过程中同时优化 2 个模型的参数，从而达到整体模型的预测能力最优。记忆（

TensorFlow是深度学习领域使用最为广泛的一个Google的开源软件库（最初由Google brain team进行开发的内部库，由于它的易用性Google决定把它开源出来）.采取数据流图，用于数值计算.节点——处理数据线——节点间的输入输出关系数据流图中的数据叫做tensor, 表示张量, 即N维数据, tensor在数据流图中流动表示计算的过程, 这也是tensorflow名字的由来.支

`tf.data.Dataset` 是 TensorFlow 的高效数据流水线工具

Matplotlib中的折线图折线图简介折线图,是一种将点按照顺序连接起来的图形,可以看做是将散点图,按照x轴坐标顺序连接起来的图像.折线图的主要功能是查看因变量y随着自变量x改变的趋势,最适合用于显示随时间而变化的连续数据.可以看出数量的差异,增长趋势的变化.折线图的代码实现import matplotlib.pyplot as plt# 导入画图包import numpy as np# mac

常用算法在Sklearn中的关键参数详解聚类算法K-Means算法基于Sklearn中的参数from sklearn.cluster import KMeansKMeans(n_clusters=8, init='k-means++',n_init=10,max_iter=300, tol=0.0001, precompute_distances='auto', verbose=0,ran

决策树算法决策树算法类型:决策树是一系列算法，而不是一个算法。决策树包含了 ID3分类算法，C4.5分类算法，Cart分类树算法，Cart回归树算法。决策树既可以做分类算法，也可以做回归算法。因此决策树既可以解决分类问题，也可以解决回归问题。决策树的构成决策树的基本组成部分包括：根节点，分节点，和叶子节点。一般来讲，在决策树中，根节点和分节点使用方块表示，而叶子节点使用椭圆表示。决策树的关键点在于

使用selenium爬取信息时，经常会因为，谷歌正在受到自动化软件控制，而抓取失败，下面代码可以解除该状态# 下载谷歌驱动from selenium import webdriver# 1. 导入配置from selenium.webdriver.chrome.options import Options# 2. 实力化对象option = Options()# 3. 配置无界面的谷歌浏览器# o

常用算法在Sklearn中的关键参数详解回归算法线性回归算法from sklearn.linear_model import LinearRegressionLinearRegression(fit_intercept=True,normalize=False,copy_X=True,n_jobs=1)'''参数含义：1.fit_intercept:布尔值，指定是否需要计算线性回归中的截距，即b值

线性回归算法线性回归算法类型:线性回归算法属于有监督学习的回归算法，可以处理标签为连续数据类型的数据。线性回归算法原理:通过寻找特征和标签之间的关系，生成一个线性方程，通过线性方程预测未知标签。算法的结果是一个线性方程。如果特征有一个，对应的结果就是一个一元线性方程。如果特征存在多个，则结果为N元线性方程。线性回归算法的特点1.结果具有可解释性（根据线性方程可以明确的得出结果是如何计算出来的）2.

逻辑回归算法逻辑回归算法类型:逻辑回归属于有监督学习的分类算法（只能做二分类）逻辑回归算法原理:将线性回归的结果输入sigmoid函数中，得出预测为类1的概率（如果概率为0.2 有20%的可能属于类1，属于类0的概率是80%；结果是类0如果概率为0.8 有80%的可能属于类1，属于类0的概率是20%； 结果是类1）线性回归算法方程sigmoid函数公式和图像：逻辑回归的结果是基于线性回归计算出来的