Python语言机器学习工具Scikit-learn包括许多智能的机器学习算法的实现Scikit-learn文档完善，容易上手，丰富的API接口函数sklearnscikit-learn中文社区玩具数据集的数据量小，数据在sklearn库的本地，只要安装了sklearn，不用上网就可以获取。函数返回现实世界数据集的数据量大，数据只能通过网络获取。函数说明。

感知机由于结构简单，完成的功能十分有限。可以将若干个感知机连在一起，形成 一个级联网络结构，这个结构称为“多层前馈神经网络”（Multi-layerFeedforward Neural Networks）。所谓“前馈”是指将前一层的输出作为后一 层的输入的逻辑结构。每一层神经元仅与下一层的神经元全连接。但在同一层之内， 神经元彼此不连接，而且跨层之间的神经元，彼此也不相连。循环神经网络（Recur

Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。50轮次训练完成之后，在tensorboard里面观察到，整体的准确率稳定上升，但是效果还不是很好，此时应该在原训练好的权重参数基础之上继续训练。在原始的已经学习了基本特征的权重参数基础之上，继续进行训练，而不是每次都从0开始。对于不在需要训

这是一层卷积层nn.ReLU(),nn.ReLU(),

参数:int, default=5，默认情况下用于kneighbors查询的近邻数，就是K。(2)找到近邻的方式，注意不是计算距离的方式，与机器学习算法没有什么关系，开发中请使用默认值'auto'。方法:使用X作为训练数据和y作为目标数据。预测提供的数据，得到预测数据。# 用KNN算法对鸢尾花进行分类# 1）获取数据# 只有4个特征, 150个样本。

1. 决策节点 通过条件判断而进行分支选择的节点。如：将某个样本中的属性值(特征值)与决策节点上的值进行比较，从而判断它的流向。2. 叶子节点 没有子节点的节点，表示最终的决策结果。3. 决策树的深度 所有节点的最大层次数，决策树具有一定的层次结构，根节点的层次数定为0，从下面开始每一层子节点层次数增加。4. 决策树优点：可视化 - 可解释能力-对算力要求低。5. 决策树缺点：容易产生过拟合，所以

特征工程:就是对特征进行相关的处理，一般使用pandas来进行数据清洗和数据处理、使用sklearn来进行特征工程。特征工程是将任意数据(如文本或图像)转换为可用于机器学习的数字特征,比如:字典特征提取(特征离散化)、文本特征提取、图像特征提取。特征工程步骤为：特征提取， 如果不是像dataframe那样的数据，要进行特征提取，比如字典特征提取，文本特征提取无量纲化(预处理)归一化标准化降维底方差