导入所需要的库import numpy as npimport pandas as pdfrom matplotlib import font_manager as fm, rcParamsimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_split # 用于分割数据集将sklearn中的da

概述np.power()用于数组元素求n次方。用法np.power(x1,x2)x1和x2可以是整数类型或数组或者array类型。x1和x2的列数要相同例子import numpy as npx1 = 2x2 = 3result = np.power(x1,x2)resultOUT:import numpy as npx1 = np.array([[0,1],[2,3]])x2 = np.arra

概述np.set_printoptions()用于控制Python中小数的显示精度。用法np.set_printoptions(precision=None, threshold=None,linewidth=None, suppress=None, formatter=None)1.precision：控制输出结果的精度(即小数点后的位数)，默认值为82.threshold：当数组元素总数过大时

概述np.ones()函数返回给定形状和数据类型的新数组，其中元素的值设置为1。此函数与numpy zeros()函数非常相似。用法np.ones(shape, dtype=None, order='C')1.shape：一个整数类型或者一个整数元组，用于定义数组的大小。如果仅指定一个整数类型变量，则返回一维数组。如果指定的是整数元组，则返回给定形状的数组。2.dtype：可选参数，默认值为flo

前言np.linalg.norm()用于求范数，linalg本意为linear(线性) + algebra(代数)，norm则表示范数。用法np.linalg.norm(x, ord=None, axis=None, keepdims=False)1.x: 表示矩阵(一维数据也是可以的~)2.ord: 表示范数类型向量的范数：矩阵的向量：ord=1：表示求列和的最大值ord=2：|λE-ATA|=

概述MinMaxScaler将通过估计器分别缩放和转换每个元素成给定范围的值。(如：[0, 1]之间的值)数学公式X_std = (X - X.min(axis=0)) / (X.max(axis=0) -X.min(axis=0))X_scaled = X_std * (max - min) + min其中min，max为feature_range的范围(feature_range为MinMax

概述tf.keras.layers.Conv2D()函数用于描述卷积层。用法tf.keras.layers.Conv2D(filters,kernel_size,strides=(1, 1),padding='valid',data_format=None,dilation_rate=(1, 1),activation=None)1.filter：卷积核的个数2.kenel_size：卷积核尺寸，

前言本篇文章仅仅使用了sklearn中的linear_model来进行预测模型，作为学习机器学习和数据分析的开始。接下来我会更加深入学习，为大家带来更好的文章。导入所需要的库from sklearn.datasets import load_boston # 数据集import pandas as pdfrom pandas import Series, DataFrameimport numpy

概述np.random.uniform()作用于从一个均匀分布的区域中随机采样。用法np.random.uniform(low, high ,size)```其形成的均匀分布区域为[low, high)``1.low：采样区域的下界，float类型，默认值为02.high：采样区域的上界，float类型，默认值为13.size：输出样本的数目(int类型或者tuple类型)4.返回对象：ndarr

概述np.set_printoptions()用于控制Python中小数的显示精度。用法np.set_printoptions(precision=None, threshold=None,linewidth=None, suppress=None, formatter=None)1.precision：控制输出结果的精度(即小数点后的位数)，默认值为82.threshold：当数组元素总数过大时