1.如果只划分测试集和训练集 经验是75%作为训练集
sklearn中的train_test_split()默认这样划分
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split()

2.通常使用sklearn中的score方法计算结果的精度（正确预测比例）

3.KNN算法有两个重要参数：邻居个数和数据点之间距离的度量方法
在实践中，选择较小的邻居个数（例如3或5个）效果较好，sklearn中默认使用欧氏距离
构建KNN模型速度很快，若训练集很大（特征数多或样本数多），预测速度可能较慢
对于稀疏数据集（大多数特征值为0），KNN效果很不好

4.普通最小二乘法，即要求预测值和真实值均方误差最小
均方误差为预测值和真实值只差的平方和除以样本数

5.训练集和测试集之间的分数差异是过拟合的明显标志
例如，训练集0.95 测试集0.61

6.线性回归防止过拟合可以采用岭回归（L2正则化）
from sklearn,linear_model import Ridge
ridge = Ridge().fit(X_train,y_train)
线性回归中的score为R^2
岭回归的结果，训练集分数可能低于线性回归，但测试集分数一般高于线性回归
默认岭回归的alpha = 1.0
岭回归惩罚了系数的L2范数或w的欧式长度
增大alpha会使得各个系数wi更加趋向0，从而提高泛化性能
可以比较alpha为10 和 0.1的scores
当岭回归alpha = 0时，即线性回归

7.学习曲线：回归问题中，横轴为训练集大小，纵轴为score(R^2)，绘制训练集和测试集曲线

8.如果有足够多的数据，正则化就不太重要了

9.线性回归防止过拟合可以采用Lasso回归（L1正则化）
因为Lasso会使得部分特征的系数（w）为0，所以相当于做特征筛选
只呈现重要的特征
from sklearn,linear_model import Lasso
ridge = Lasso().fit(X_train,y_train)
默认的alpha = 1
可能会欠拟合（训练集和测试集的score都不高）
我们此时应该减小alpha，增大max_iter（运行迭代的最大次数）
from sklearn,linear_model import Lasso
ridge = Lasso(alpha = 0.1，max_iter = 100000).fit(X_train,y_train)
如果alpha太小，则可能过拟合，即与线性回归效果相似

10.Lasso回归和岭回归一般会首选后者
如果特征很多，认为只有几个是重要的，则选择Lasso
如果为了模型的可解释性，选择Lasso（因为类似特征选择）

11.sklearn中逻辑回归和线性支持向量机都默认使用L2正则化
若换为L1正则化：
LogisticRegression（penalty = "l1").fit(X_train,y_train)
使用参数C表示正则化强度，C越小，正则化越强。
默认C=1
LogisticRegression(C=100).fit(X_train,y_train)
有时训练集测试集分数都很高，但是分数接近，可能是欠拟合
此时增大C，使正则化减弱看看结果分数

12.线性模型训练速度非常快，预测速度也很快，适合在大数据集上使用，也适合稀疏数据

13.朴素贝叶斯分类器速度更快（相比于线性分类器逻辑斯特回归和线性支持向量机）
但是其泛化能力比线性分类器差

14.sklearn中提供三种朴素贝叶斯分类器
GaussianNB课用于任意连续数据
BernoulliNB假定输入数据为二分类数据
MultinomialNB假定输入的数据为计数数据（即每个特征代表某个对象的整数计数，比如一个单词在句中出现的次数）
后两个主要用于文本分类

15.决策树也可用于回归任务，预测时基于每个节点的测试对树进行遍历，最终找到新数据点所属的叶节点
这一数据点的输出即为此叶节点中所有训练点的平均目标值。

16.决策树可以采用预剪枝和后剪枝来防止过拟合
sklearn中只实现了预剪枝
预剪枝限制条件可以包括
限制树的最大深度
限制叶节点的最大数目
规定一个节点中数据点的最小数目防止继续划分

17.决策树graphviz可视化图中的samples给出该节点中的样本数
values给出每个类别的样本数

18.特征重要性指标可以看决策树的特征重要性，每个特征值介于0和1之间
tree.feature_importance_
且加和为1
0表示特征没用到
1表示完美预测目标值

19.决策树回归不能外推，也不能在训练数据范围之外进行预测

20.决策树优点：
（1）较小的树模型可视化容易，容易解释理解
（2）算法不受数据缩放影响（因为每个特征单独处理），特征不需要预处理（归一化 标准化）
特别是特征尺度大小相差大或者二元特征和连续特征同时存在时
决策树缺点：
既使预剪枝，也经常过拟合，泛化能力差，所以大多数情况采用集成模型代替单棵决策树。

原文发布时间为：2018-07-20
本文作者：王大伟
本文来自云栖社区合作伙伴“Python爱好者社区”，了解相关信息可以关注“Python爱好者社区”