Bảng thời khóa biểu

Hướng dẫn hướng dẫn Python

• Hướng dẫn hướng dẫn Python
• Giới thiệu Python
• Bắt đầu với Python
• Cú pháp Python
• Chú thích Python
• Biến Python
• Kiểu dữ liệu Python
• Số liệu Python
• Casting Python
• Chuỗi Python
• Boole Python
• Toán tử Python
• Danh sách Python
• Tupple Python
• Mảng Python
• Định nghĩa Python
• If Else Python
• Vòng lặp While Python
• Vòng lặp For Python
• Hàm Python
• Lambda Python
• Mảng Python
• Lớp/Đối tượng Python
• Kế thừa Python
• Thực hiện Python
• Phạm vi Python
• Mô đun Python
• Ngày Python
• JSON Python
• RegEx Python
• PIP Python
• Try Except Python
• Nhập lệnh Python
• Định dạng chuỗi Python

Xử lý tệp

• Mở tệp Python
• Đọc tệp Python
• Viết tệp Python/Đạo tạo tệp
• Xóa tệp Python

Python NumPy

• Giới thiệu NumPy
• Bắt đầu với NumPy
• Tạo mảng NumPy
• Chỉ mục mảng NumPy
• Cắt mảng NumPy
• Kiểu dữ liệu NumPy
• Bản sao/View NumPy
• Kích thước mảng NumPy
• Đ重塑 mảng NumPy
• Thực hiện mảng NumPy
• Kết nối mảng NumPy
• Chia mảng NumPy
• Tìm kiếm mảng NumPy
• Sắp xếp mảng NumPy
• Lọc mảng NumPy
• Ngẫu nhiên NumPy
• Ufuncs NumPy

机器学习

• 入门
• 平均中位数模式
• 标准差
• 百分位数
• 数据分布
• 正态数据分布
• 散点图
• 线性回归
• 多项式回归
• Phân回归
• 缩放
• Huấn luyện/kiểm tra
• 决策树

Python MySQL

• MySQL 入门
• MySQL Create Database
• MySQL Create Table
• MySQL Insert
• MySQL Select
• MySQL Where
• MySQL Order By
• MySQL Delete
• MySQL Drop Table
• MySQL Update
• MySQL Limit
• MySQL Join

Python MongoDB

• MongoDB 入门
• MongoDB 创建数据库
• MongoDB 创建集合
• MongoDB Insert
• MongoDB Find
• MongoDB Query
• MongoDB Sort
• MongoDB Delete
• MongoDB 删除集合
• MongoDB Update
• MongoDB Limit

Hướng dẫn tham khảo Python

• Python 参考概览
• Python 内建函数
• Python 字符串方法
• Python 列表方法
• Python 字典方法
• Python 元组方法
• Python 集合方法
• Python 文件方法
• Python 关键字

模块参考手册

• 随机模块
• 请求模块

Python How To

• 删除列表重复项
• 反转字符串

Ví dụ Python

• Ví dụ Python
• Bài kiểm tra Python

选修课

课程推荐：

• Bộ công cụ CodeW3C.com

特征缩放（Scale Features）

当您的数据拥有不同的值，甚至使用不同的度量单位时，可能很难比较它们。与米相比，公斤是多少？或者海拔比较时间呢？

这个问题的答案是缩放。我们可以将数据缩放为易于比较的新值。

请看下表，它与我们在Phân回归在第一章中使用的数据集相同，但是这次，Volume 列包含的单位是升，而不是 ccm（1.0 而不是 1000）。

Khó khăn để so sánh dung tích 1.0 với trọng lượng 790, nhưng nếu chúng ta đều điều chỉnh chúng thành giá trị có thể so sánh, chúng ta có thể dễ dàng thấy được số lượng một giá trị so với giá trị khác.

Có nhiều phương pháp điều chỉnh dữ liệu, trong hướng dẫn này, chúng ta sẽ sử dụng phương pháp gọi là chuẩn hóa (standardization).

Phương pháp chuẩn hóa sử dụng công thức sau:

z = (x - u) / s

Trong đó z là giá trị mới, x là giá trị ban đầu, u là giá trị trung bình, s là độ lệch chuẩn.

Nếu bạn lấy dữ liệu từ tập dữ liệu trên weight cột, giá trị đầu tiên là 790, giá trị đã được điều chỉnh là:

(790 - 1292.23) / 238.74 = -2.1

Nếu bạn lấy dữ liệu từ tập dữ liệu trên volume cột, giá trị đầu tiên là 1.0, giá trị đã được điều chỉnh là:

(1.0 - 1.61) / 0.38 = -1.59

Bây giờ, bạn có thể so sánh -2.1 với -1.59 thay vì so sánh 790 với 1.0.

Bạn không cần phải thực hiện thủ công thao tác này, mô-đun sklearn của Python có một tên gọi là StandardScaler() cách thức, cách này trả về đối tượng Scaler có phương pháp chuyển đổi dữ liệu tập.

Ví dụ

Điều chỉnh tất cả các giá trị trong cột Weight và Volume:

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
scaledX = scale.fit_transform(X)
print(scaledX)

Kết quả:

Xin lưu ý, hai giá trị đầu tiên là -2.1 và -1.59, phù hợp với tính toán của chúng ta:

[[-2.10389253 -1.59336644]]
 [-0.55407235 -1.07190106]
 [-1.52166278 -1.59336644]
 [-1.78973979 -1.85409913]
 [-0.63784641 -0.28970299]
 [-1.52166278 -1.59336644]
 [-0.76769621 -0.55043568]
 [ 0.3046118  -0.28970299]
 [-0.7551301  -0.28970299]
 [-0.59595938 -0.0289703 ]
 [-1.30803892 -1.33263375]
 [-1.26615189 -0.81116837]
 [-0.7551301  -1.59336644]
 [-0.16871166 -0.0289703 ]
 [ 0.14125238 -0.0289703 ]
 [ 0.15800719 -0.0289703 ]
 [ 0.3046118  -0.0289703 ]
 [-0.05142797  1.53542584]
 [-0.72580918 -0.0289703 ]
 [ 0.14962979  1.01396046]
 [ 1.2219378  -0.0289703 ]
 [ 0.5685001   1.01396046]
 [ 0.3046118   1.27469315]
 [ 0.51404696 -0.0289703 ]
 [ 0.51404696  1.01396046]
 [ 0.72348212 -0.28970299]
 [ 0.8281997   1.01396046]
 [ 1.81254495  1.01396046]
 [ 0.96642691 -0.0289703 ]
 [ 1.72877089  1.01396046]
 [ 1.30990057  1.27469315]
 [ 1.90050772  1.01396046]
 [-0.23991961 -0.0289703 ]
 [ 0.40932938 -0.0289703 ]
 [ 0.47215993 -0.0289703 ]
 [ 0.4302729   2.31762392]

Chạy ví dụ

Dự đoán giá trị CO2

Phân回归Mục tiêu của chương này là dự đoán lượng phát thải CO2 của một chiếc xe chỉ biết trọng lượng và dung tích.

Sau khi thu nhỏ dữ liệu, bạn phải sử dụng tỷ lệ thu nhỏ để dự đoán giá trị dự báo:

Ví dụ

Dự đoán lượng phát thải CO2 của một chiếc xe 1.3 lít nặng 2300 kg:

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
scaledX = scale.fit_transform(X)
regr = linear_model.LinearRegression()
regr.fit(scaledX, y)
scaled = scale.transform([[2300, 1.3]])
predictedCO2 = regr.predict([scaled[0]])
print(predictedCO2)

Kết quả:

[107.2087328]

Chạy ví dụ

Bộ công cụ

Hướng dẫn tham khảo Python

Ví dụ Python

Bài kiểm tra Python

Liên kết nhà tài trợ