mean

http://www.cnblogs.com/batteryhp/p/5046450.html 对数据进行分组并对各组应用一个函数，是数据分析的重要环节。数据准备好之后，通常的任务就是计算分组统计或生成透视表。groupby函数能高效处理数据，对数据进行切片、切块、摘要等操作。可以看出这跟SQL关系密切，但是可用的函数有很多。在本章中，可以学到： 根据一个或多个键（可以是函数、数组或DataFrame列名）拆分pandas对象 计算分组摘要统计，如计数、平均值、标准差、，或自定义函数 对DataFrame的列应用各种各样的函数 应用组内转换或其他运算，如规格化、线性回归、排名或选取子集等 计算透视表和交叉表 执行分位数分析以及其他分组分析 对时间数据的聚合也称重采样（resampling），在第十章介绍。 1、GroupBy技术 很多数据处理过程都经历“拆分-应用-合并”的过程。即根据一个或多个键进行分组、每一个应用函数、再进行合并。 分组键有多种形式： 列表或数组，长度与待分组的轴一样 表示DataFrame某个列明的值 字典或Series，给出待分组轴上的值与分组名之间的对应关系 函数，用于处理轴索引或索引中的各个标签 下面开始写例子。 简单实例 #-*- encoding: utf-8 –*- #分组实例 import numpy as np import pandas as

一.线性回归 线性回归就是将输入项分别乘以一些常量，在将结果加起来得到输出。 假定输入数据存放在矩阵 x 中，而回归系数存放在向量 w 中。 那么预测结果可以通过Y=X的转置*W得出。所以我们求解线性回归模型的核心就在于求解w，如何求呢？首先，我们一定是希望预测出来的值和实际值之间的误差越小越好，所以我们评判w好坏，就可以采用实际值与真实值之差表示，但是这个差有正有负，为了避免正负相互抵消的情况，我们采用平方误差（也就是最小二乘法） 平方误差，我们也可以叫他损失函数。我们现在就是要以w为变量求解损失函数的最小值。 我们可以对w进行求导，令其为0，可得到我们所要求解w所需的计算公式。 局部加权线性回归 线性回归的一个问题是有可能出现欠拟合现象，因为它求的是具有小均方误差的无偏估 计。显而易见，如果模型欠拟合将不能取得好的预测效果。所以有些方法允许在估计中引入一 些偏差，从而降低预测的均方误差。 其中的一个方法是局部加权线性回归。在该算法中，我们给待预测点附近的每个点赋予一定的权重；在这个子集上基于 小均方差来进行普通的回归。 局部加权线性回归的基本思想：设计代价函数时，待预测点附近的点拥有更高的权重，权重随着距离的增大而缩减——这也就是名字中“局部”和“加权”的由来。 权重如何求取： 区别在于此时的代价函数中多了一个权重函数W，这个W要保证，越靠近待测点附近权值越大

https://www.tensorflow.org/versions/r0.12/api_docs/python/math_ops.html#reduce_mean tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None) 计算tensor中各个维度上元素的平均值. 在给定维度axis上进行删减. keep_dims被设置为false的话, 原始变量的维度会减少1. 如果不对axis进行赋值, 那么返回所有元素的平均值. 例子: # 'x' is [[1., 1.] # [2., 2.]] tf.reduce_mean(x) ==> 1.5 tf.reduce_mean(x, 0) ==> [1.5, 1.5] tf.reduce_mean(x, 1) ==> [1., 2.] 来源： https://www.cnblogs.com/huangshiyu13/p/6534264.html

參考：http://scikit-learn.org/stable/modules/model_evaluation.html#scoring-parameter 三种方法评估模型的预測质量： Estimator score method : Estimators都有 score method作为默认的评估标准，不属于本节内容。详细參考不同estimators的文档。 Scoring parameter : Model-evaluation tools using cross-validation (such as cross_validation.cross_val_score and grid_search.GridSearchCV ) rely on an internal scoring strategy. 本节讨论 The scoring parameter: defining model evaluation rules .（參考第一小节） Metric functions : The metrics module 能较全面评价预測质量，本节讨论 Classification metrics , Multilabel ranking metrics , Regression metrics and Clustering metrics .（參考二、三、四、五小节）