本周讲了如何把数据用图表展现出来，主要包括：
Matplotlib seaborn
下面直接列出笔记和知识点
一. Matplotlib
一幅数据图基本上包括如下结构：
Data: 数据区，包括数据点、描绘形状 Axis: 坐标轴，包括 X 轴、 Y 轴及其标签、刻度尺及其标签 Title: 标题，数据图的描述 Legend: 图例，区分图中包含的多种曲线或不同分类的数据 下面以常规图为例，详细记录作图流程及技巧。按照绘图结构，可将数据图的绘制分为如下几个步骤：
导入 matplotlib 包相关工具包 准备数据，numpy 数组存储 绘制原始曲线 配置标题、坐标轴、刻度、图例 添加文字说明、注解 显示、保存绘图结果 使用 plot 函数直接绘制上述函数曲线，可以通过配置 plot 函数参数调整曲线的样式、粗细、颜色、标记等：
plt.rcParams["figure.figsize"] = (12,8) plt.plot(x, y1, color='blue', linewidth=1.5, linestyle='-', marker='.', label=r'$y = cos{x}$') linestyle 参数主要包含虚线、点化虚线、粗虚线、实线 marker参数设定在曲线上标记的特殊符号，以区分不同的线段 设置刻度尺间隔 lim、刻度标签 ticks
plt.xlim(x.min()*1.1, x.max()*1.1) plt.xticks([2, 4, 6, 8, 10], [r'two', r'four', r'6', r'8', r'10']) 可使用如下两种方式，给绘图设置图例：
在 plt.plot 函数中添加 label 参数后，使用 plt.legend(loc=’up right’) 不使用参数 label, 直接使用如下命令：plt.legend(['cos(x)', 'sin(x)', 'sqrt(x)'], loc='upper right') 可使用如下代码，给绘图设置网格线：plt.grid(True) 常用图形
曲线图：matplotlib.pyplot.plot(data) 灰度图：matplotlib.pyplot.hist(data) 散点图：matplotlib.pyplot.scatter(data) 箱式图：matplotlib.pyplot.boxplot(data) 箱式图科普
上边缘（Q3+1.5IQR）、下边缘（Q1-1.5IQR）、IQR=Q3-Q1 上四分位数（Q3）、下四分位数（Q1） 中位数 异常值 处理异常值时与3σ标准的异同：统计边界是否受异常值影响、容忍度的大小
二 . seaborn
核密度估计的步骤：
每一个观测附近用一个正态分布曲线近似 叠加所有观测的正太分布曲线 归一化 散点图
sns.jointplot(x="x", y="y", data=df) 六角箱图
sns.jointplot(x=x, y=y, kind="hex") 绘制线性回归模型
最简单的方式：散点图 + 线性回归 + 95%置信区间 对于变量离线取值，散点图就显得有些尴尬了。。。 拟合不同模型
有些时候线性拟合效果不错，有些时候差强人意~ 控制图片的大小和形状
sns.lmplot(x="total_bill", y="tip", col="day", data=tips, col_wrap=2, size=5)
本周还学习神经网络，有点复杂，下面列一下我的学习笔记，只能算个入门，对神经网络概念有个理解：
感知器：它接受多个输入（x1，x2，x3...），产生一个输出（output）
一、权重和阈值：
某些因素是决定性因素，另一些因素是次要因素。因此，可以给这些因素指定权重（weight），代表它们不同的重要性。
还需要指定一个阈值（threshold）。如果总和大于阈值，感知器输出1，否则输出0
二、决策模型：
底层感知器接收外部输入，做出判断以后，再发出信号，作为上层感知器的输入，直至得到最后的结果。（注意：感知器的输出依然只有一个，但是可以发送给多个目标。
神经网络的运作过程：
输入和输出 权重（w）和阈值（b） 多层感知器的结构
其中，最困难的部分就是确定权重（w）和阈值（b）。目前为止，这两个值都是主观给出的，但现实中很难估计它们的值，必需有一种方法，可以找出答案。
这种方法就是试错法。其他参数都不变，w（或b）的微小变动，记作Δw（或Δb），然后观察输出有什么变化。不断重复这个过程，直至得到对应最精确输出的那组w和b，就是我们要的值。这个过程称为模型的训练。
确定输入和输出 找到一种或多种算法，可以从输入得到输出 找到一组已知答案的数据集，用来训练模型，估算w和b 一旦新的数据产生，输入模型，就可以得到结果，同时对w和b进行校正
转载请注明原文地址: https://www.6miu.com/read-66858.html
