标签：这个 在线 一个 笔记 公开课 具体 然后 我们 就是

七月在线公开课笔记（十三）

1447-七月在线-机器学习集训营15期 - P3：02-CV-2-行人重识别项目（ReID）跑通训练+评测流程 - 程序员技术手札 - BV1ASste6EuZ

好啊，各位同学大家晚上好，嗯那今天是我们的啊，COMMDIVISION里面的第二次的这个项目课程，然后在上一节课程里面中，我们其实是跟大家已经讲过了啊。

REIDENTIFICATION就是raid的这样一个任务的主要的背景，Background，以及啊它的作用啊，他能有什么样的应用的场景以及它的价值，我们可以回顾一下啊，我们说到id这件事情的本质。

它其实是图像啊，这个计算机视觉领域里面的图像搜索的问题，那特别的呢它其实是啊图像的以图搜图的问题，也就是我给定一个请求啊，query查询的一张图片，那我要求要求什么呢，要求我们在数据库里面去搜索一。

些相关的图片啊，其实本质上就是啊这个啊这样本的图片，然后呢返回出来，所以虽然我们的raid看上去它是一个识别的问题，对吧，它是识别的一个id也没错呀，如果你这么理解是非常的合理，但其实本质上呢。

它其实是通过我们检索的这样一个技术的手段，而去达到最终的这样一个recognition，识别的目的啊，所以大家一定要记住我这句话啊，我们要看透过现象看本质啊，看起来它是一个识别类的这样一个问题。

但其实呢它确实是一个这个检索的一个，技术手段来进行解决的，那么我们说了，在raid这样一个领域里面呢，嗯它很重要的是这个特征的提取嘛对吧，所以他会有一个特征库的概念。

也就是啊我们有一个底库database的这样一个概念，那这个底裤呢其实就是啊我们说是它是gallery，那它其实就是我需要事先啊知道哪些图像啊，哪些人的人体的图像，它关联了是什么样的身份的信息。

也就是我们的ID的信息啊，那只有这样的前提下，我才能通过检索的手段去达到识别的目的，不对对不对，还想想看，不然这个问题就不可解好，那你要通过检索的手段去达到识别的目的啊，没有问题，那么嗯对于特别的啊。

就是我们怎么能够通过啊这个技术的手段去解，刚才我们这个问题呢，那我们知道啊，所谓的图像的检索的问题，它本质上呢就是其实是需要知道一个图像的，这样一个特征的表达，那如果没有这个表达，我怎么去做检索。

怎么去做识别，其实都是一句空话，对不对，所以为此呢我们其实是需要什么呢，我们其实是需要知道每张图片他的feature是什么，OK所以我要知道这件事情，因为如果我一旦把database里面的图像。

和我们的查询匹配的，GARY里面的图像全部都表示成了特征向量啊，不管是feature map也好，还是fish vector也好，那么在我这个后台背后的这样一个啊计算呢。

那其实就会把它这个转化成feature和feature，之间的啊similarity的这样一个比对，那换句话说呢，其实就啊会是这个啊，你想想两个特征向量让你去算相似度，你能算吗，那肯定能算啊。

那你其实就把这两个向量的内积算一算啊，就结束了啊，就是它的相似度和相关性，对不对啊，如果是这样的话啊，那是不是问题就迎刃而解，那为了达到这样的一个目标，那我们该怎么做呢，那我们是不是需要对。

我们有一个特征提取的一个模块来搞定，这件事情，对不对，我们要有一个特征提取的模块来搞定，那这个特征提取的这个模块啊，now又是什么呢，那我们知道啊，就是在我们CN的课程里面。

是不是跟大家已经有过简单的这样一个勾兑啊，我们说特征提取的这样一个，特征提取的这样一个啊额模块，它其实本质上啊我们在CN那里面，我们可以把它抽象出来，把我们的呃那个分类的那一个head给它去掉对吧。

本身我的CNN的输入是一张图片，输出是一个soft max的概率分布图啊，概率分布，那如果我把最后的那个FCSPSS给去掉，那么我们是不是你想象一下在你的啊BGG也好，或者alex net也好。

是不是其实在你的卷积层之后会接两个啊，FC然后再接一个输出对吧，那中间的那两个2048的那个FC呢，其实就是你可以考虑到你作为这个latent，vector的这样一个表达。

就是你的这个特征的这样一个输出啊，所以如果是这样的看待这个问题的话，我们其实就已经啊知道了啊，我要去提取我们的一个图像的视觉的特征，那么我们就可以通过中间的FISHMAP，或者FC的这样一个抽出来。

那我其实就会得到他的这样一个特征表达了，所以这是一个非常显而易见的这样一个呃，思考的这样一个方式，那这个问题现在我们就转化成了，我们要去训练一个CN对吧，那这个CN后面我们要去不管是抽FC也好，抽啊。

feature map也好，那其实就是啊随我们的这样一个啊随心所欲了，所以现在的这样一个本质呢，我们就把它转换成要求解一个啊，训练一个啊特征向量啊，特征的这样一个向量，而特征向量呢其实就是一个CN对吧。

所以我们要train这么一个C，那我们怎么train呢，我们需要有类啊，标签有数据，对不对好，那我们说了，我们的REID的这个数据其实本质上是啥，本质上其实就我们说了，它是每张图像啊，他会对应一个id。

换句话说其实你应该知道的是啊，你这个id对应哪些图像对吧，比如说小明这个人啊，然后他啊今天走了一趟轨迹，那经过了这个七八个十字路口，那OK他可能就有七八张，这样一个被十字路口抓到的这样一张图像，对不对。

所以这个就是构成了我的训练数据，我就知道这若干张图像描述的是这个id，所以说如果说啊我们的啊，嗯如果说我们把每一个id，都当做一个class name的话啊，都当做一个新的一个类的话，那是不是。

其实这本质上就是一个图像分类的问题，所以再次呼应到了什么呢，前面我给大家总结的，我们的raid的这样一个问题的本质，它其实是虽然是识别的这样一个问题，但它的本质它其实是一个图像搜索的一个。

比对的一个技术手段，去来解决这么一个识别的问题，那图像搜索的技术的啊，图像搜索的这样一个比对的核心，其实就是特征对吧，刚才我们就说了，我们的这个CN，其实就是我们的这样一个训练的这样一个，核心目标。

那所以呢嗯我们现在就啊可以train这么一个，刚才我们说的这么一个CN，也就把他的id当做一个class啊，我们就可以处理出来，但这里值得注注意的是什么呢，我再提醒一下大家。

你千万不要认为所有的评测数据集的id的信息，都一定要出现在你的训练数据中啊，我再说一遍，刚才我说的这个意思，不要认为在raid这个任务任务里面嗯，或者说不要认为在图像搜索的这样一个，大类的问题里面。

你评测数据集的那些id class，就必须要出现在你的training data里面，这是一个非常非常啊容易混淆的一个误区，这是一个不切实际的啊，我再举上一次跟大家举过的这个例子。

试想一下你的IPHONE啊，或者其他的手机，有那个人脸识别和人脸解锁的一个功能，对不对，你有没有就是在你的这样一个使用的过程中，要把你的人脸的图像拍多张图像，上传给苹果的icon的服务器。

让它更新一个模型，然后再返回给你部署，你才能work，我们没有这样的功能，我没有这样的体验，对不对，我们唯一要求的体验是说，你当时在借你的face id那个隐私的时候啊，你会这个头转两下。

然后这个拍两张这样一个图像就OK了，但并没有说啊，我们可能有这么一个时间差，还要人家啊，美国的这样一个啊苹果总部串一个model为每个人，那这个代价就大了，去海了去了，对不对，就不切实际。

所以任何啊我们把这个技术点扩展一下，任何凡是未来你们在工作中或者在学习中，看到一种带库的，就是database啊的这样一个带库的，这种啊CB的这样一个任务啊，它其实的最大的好处就在于什么呢。

它的泛化性我们是预期它是足够好啊，因为我们不要求他训练，他只需要什么呢，往这个库内扔图片就OK了，大家想想看是不是这样对吧，甚至举例来说有些这个厂商啊，比如说b a at，它有很多的这种云上的这个。

开放人脸库的这样一个识别，比如说啊公众人脸库啊，或者明星人脸库或者政治人脸库，对吧啊，他有这么一个能力，那你们说假设他确认好了一个模型，那我们知道啊，就是我们现在有很多的这个途径对吧。

我们可能会会有新的一些呃，i it啊，不管是人明星也好，还是动漫也好，会层出不穷，对不对啊，哪天这个啊B站上的up主，哪天他的这个抖音上的一些呃，这个呃这个这个群演那火了。

那我可能百分百来不及训练了对吧，那我那很简单，对于产品和运营的同学来说，他搜集一些这些的case啊，百度一下，谷歌一下，然后往你的那个数据库里面一导对吧，那这样的话你模型马上就能够更新了，对不对。

我就能识别出新的这种IP的人脸信息，这就没有这个时间差，还要再训练了，所以大家记住刚才我这一点就是啊，在这样一个子任务里面啊，或者这样一个，一大类的问题你肯定不会预期什么呢。

你的测试的数据的样本必须要出现在训练数据，这是不合理的一个要求，对不对，显然就是一个不合理的要求，所以呢这你就能够理解了，在我们的testing data中，在我们的测试数据中可能会出现一些新的id。

那些新的id让你去识别，没有说让你去做分类去做识别啊，对不对啊，其实让你通过检索的目哎那个手段去做识别，所以这就很合理呀对吧，对于训练数据集，我给你1500个人啊，这个每一个人呢可能有啊几十张图片。

然后让你去train一个分类器，注意这个分类器的分类的head，classification的head，他只能分类1500个人呀，对不对，因为只有这些出现在你训练的样本好，那假设测试数据集来了。

新的50个人怎么办怎么办，这50个人的数据的图片呢，送到你这个CNN模型里去，显然他也可以走通走通一次这个前向的传递，对吧，走通一次inference，所以他最后的那个激活它的这个分类，它也会有信息的。

但是没有意义，对不对，因为它不是属于这1500个类，那我们要的是什么呢，我们要的是它中间的那个feature和特征嘛，所以我们知道他的FC或者feature map的输出，那有了这个输出。

然后我们再把这个testing data里面的那一些，它肯定会关联几个id，就塞到我的database里面去，那这样的话呢，你通过后续的vector之间的检索和比对。

和这啊这个testing data中的这样一个，数据集的检索比对，那你就有了新的这样一个啊，就是识别的这样一个结果啊，所以啊这就解释了刚才为什么啊，我一再强调说，千万不要认为testing类中。

也一定是要出现在trading数据中的，这个id是可以不overlap，甚至我们希望它不overlap，因为只有这样，你自己衬出来的模型才会觉得可信，对不对，你才会在未来的工作中有底气跟你的老板说。

我的这一套模型，这一套框架它是具有泛化性的啊，不然的话你自己心里肯定也会觉得啊，非常的这个不踏实对，所以这就是我们在review了，我们上节课的整体的这个思路啊，我们应该是已经对齐了啊，对齐了好了。

那我们来看一下，回顾一下我们上节课的这样一个代码哈，希望同学们就是在上节课之后，应该是有过一些的啊，复习和这个啊run过一遍了嗯，我们目标是要去构建我们的这样一个特征，向量的这样一个啊提取器。

所以呢我们现在的啊手段呢，其实就是训练一个CN的一个特征的抽取器，对不对，然后具体的backbone呢，我们在这里选取的是啊，任何的一个CN的backbone其实都是work的。

只不过为了让大家能够在你们的笔记本上，可能就能够快速串起来啊，如果比如说有一些GPU的时候，大家可能抢了或者有一些啊这个掉线了，那这里我考虑到这个原因，就给大家选了一个mobile net。

那事实上你选RESNET或者啊更这个啊，更heavy的一些啊，backbone啊，inception的系列的，我觉得也没有问题，啧，好，那么嗯前面是一些基本的一些超参数的一些，定义对吧。

比如说batch size啊，optimizer啊，优化迭代器啊，对吧啊，然后这里呢我们会加载我们的训练的数据啊，就是我们的这个啊image的这个data image path。

然后我们说了就在第54行里面呢，它其实是啊啊sorry，我们是在这个啊52行里面呢，啊我们上节课跟大家说过了，他的IE的信息可以通过他的name来进行解析的，对不对啊，所以这是一个啊很好的事情。

然后并且呢我们跟大家说了啊，我们有一个zip的这个命令能够帮助我去做啊，很好的一个啊解析，那解析出来这个id呢，它其实是这个啊一个字符串，那其实我们是需要在我们的嗯训练的框架里面。

我们希望我们的label是自然增增增长的对吧，01234啊，或者这个啊他是一个one hot编码的形式，所以我们就有一个label encoder，能够帮助我们干这件事情啊。

它可以通过sk learning的面里面的PREPROCESSING，可以去啊帮助我们去做这样一件事情的转换啊，非常方便，那转换完了之后，我们就可以去分五分割，分割我们的training的数据集。

使得有这个啊training data和validation的data对吧啊，能够去啊干这件事情，那我们可以通过SKN里面的try test，split这样一个函数去做这个test。

这样一个split啊，当然我们可以通过我们的test size，这样一个超参数呢来控制我的比例，比如说八二分还是好七三分，然后注意啊，我们这上节课也跟大家强调过了。

就是我们有一个random states，千万是要来进行设置的，为什么呢，是因为啧我希望我每次运行的时候，我的train test data它其实是一致的，那不然的话你每一次来进行调参。

你就不知道到底这个参数调整的好，是因为你的数据集变了，还是因为你的模型确实更好了啊对吧，然后有了之后呢，我们是不是就可以去加载我们的backbone。

我们backbone在这里选的是mobile net v2，那在之前的课程我们跟大家已经讲过了，就是这种lightweight的这种一个CN的这样一个优势，它其实是通过这种这个深度可分离卷积的。

这样一个嗯小技巧啊，能够帮助大量的减少我们的训练参数啊，如果我们的卷积核是3×3的，大家还有印象中它大概参数量能降低多少吗，还有印象吗，想想看在我们的上上节课，上上节课应该是有过啊，这个相关的讲解的啊。

我们是不是说了，它大概是K平方分之一啊，其中还有一个小的那一段呢是忽略不计是吧，所以如果我的kernel size是33的话，那我其实参数量就能够大概降低到这个啊，1/9嗯，OK我们继续。

那有了这个backbone呢，我们其实是啊这个超参数，我们选的pulling是max，所以这就意味着当然我们这个with是internet。

所以就代表着我们需要啊有一个image net pretraining，一个model，没关系，就是如果你第一次运行的话呢，啊，你的网络就会去去这个啊，服务器上自动的download这个参数。

然后呢通过pulling是max的话，给你输出一个啊max average pulling的啊，max那个global max pulling的一个feature vector。

然后后面你就会加个dance啊，就是FC的layer，因为你要去分类嘛，分类你的这个到底有多少个id，所以你会有一个经过soft max的输出，然后把整个model的输入输入，把它给接起来。

这就是你的baseline model，所以这大概就是我们整个的这个啊情况啊，整个的这样一个情况嗯，我们已经写到了这个baseline model了，对不对，所以后面的代码就非常的呃。

这个大家可以自己想象吧，所以是非常的这个直接，因为接下来呢我们就会啊可以来train这个模型，当然在train这个模型呢，我们需要有写一个data loader啊，这就是我们今天的一个重点。

当然我们先啊不用纠结这个这个工作，因为我们把整个high level的这个啊骨架，帮大家理清楚了，然后再去把它填充啊，这样大家会对整个东西啊，整个啊project整个项目会理解的更加的这个透彻。

所以我们假设我们有了一个啊这个data order啊，假设有一个data order，那这个data order大家想想看嗯，我们一般会用什么来实现呢，啊通常的大家的想法是说老师啊。

我知道我把所有的数据啊，class他的name，以及它对应的这个输入的图像都加载加载进来，没问题啊，就是你的training的data的X和Y的这样一对配啊，所有的pad都加进来，有什么问题吗。

啊没有问题啊，如果你的训练的数据，其实它是能够在被你的，显存和加载进来的情况下，内存加载进来的情况下完全没有问题，OK比如说EMINNEST的这种数据集，SA10这样的数据集。

但是大家别忘了在实际的工业界中啊，你恰恰是有大量的这种训练的数据，比如说十几万几10万的训练数据，那一下子加进来存不下你的显存呀对吧，所以你希望的是什么呢，你希望的是通过batch的形式，批量的形式。

从你的硬盘里面加载到你的显存里面去，然后训练完了之后呢，换下一批对吧，这样的话，那在我们的Python的这个啊数据结构里面呢，我们其实是要用一个叫generator的，这样一个迭代器来进行实现的啊。

希望大家应该是有一些印象，Ok，所以我们假设啊，我们的generator其实已经啊写好了，一会儿我们会啊会跟大家去写啊，假设我们已经写好了，对吧啊，有一个这个generator batch。

对于training data or而已，好假设我们有一个validation的，generator啊，然后是，啊回头，当然这里面有超三对吧，我们要来进行定义，有参数好，那有了之后呢。

呃我们还可以额对我们的这个模型啊啊，加一个checkpoint，也就是说我对每一轮呢我可能是需要什么呢，需要这个去存一下我的模型的这个位置，不然的话后面我再来呃，这个比如说追溯我当中的哪个模型好的话。

我就没有办法对吧，可能我们需要有一个checkpoint，啊来进行保存，那这个checkpoint呢我们其实可以通过啊这个，这个里面来TENSORFLOW里面的那个checkpoint的这个。

call backs来进行导入，OK那什么叫做call backs呢，还有印象的同学应该就知道，他其实也就是回调函数对吧，所谓的回调函数，你顾名思义嘛，就是从它的这个名字里也能知道啊。

他是在某种情况下来进行这个啊回调的啊，也就是你要run了某一个操作之后，它会来进行回调，那他在什么情况下回调呢，通常来说，他是在训练完一个这个epoch的数据集，下来进行，就整轮数据集结束之后。

一轮之后他会来啊回调，所以这里定义的话，比如说我们定义的一个存储的一个文件啊，然后这个monitor呢是监控的意思，监控的一个指标，那比如说我可以监控啊。

validation accuracy或者validation loss对吧，划一趟给大家，然后verbals，意思就是说啊，如果说啊，我当前的checkpoint要比之前的好啊。

然后并且我要保存下来的话，我可能会给你输出一行这个log啊，我说当前的这个参数会更好，还有一个这个save best only啊，我们可以把它设置成true，这个意思就是我每一轮在迭代完了之后呢。

我都会去看一下我是不是比之前的这个呃，在validation上，accuracy上这个指标来的更加的好，如果是的话，我就保存下来啊，就这个意思，所以这样的话我们就啊可以去train，我们的模型了。

啊fit，然后呢train generator啊，就是导入我们的这个训练数据集，然后呢，steps per epoch啊，你根据他的名字就知道了，那其实他在算那个什么呢。

number of iterations对吧，所以number of iterations是多少，是不是其实我有多少数据，然后呢去除以我的batch size对吧。

那我们的validation的这个data是什么呢，是不是就是我们的generator对吧，然后MALIDATION，那是不是其实就是number of，Wild d image pass，除以我的。

Bad size，然后我的白size就是我们的白size，然后我们的bub，刚才我们说了，可以打印出来，Shuffle，我们是不是需要啊，让我们的training data来进行一些random。

shuffling啊，问题可以，然后number of ebox，我们之前定义好了100个对吧，好然后我们的call backs，call back x呢，它其实可以有一个什么呢。

有一个list就是我会有一个列表，我都可以用啊这个回调函数来进行这个链接的，那通常来说呢啊在我们这里定义好的，我们可能定义了是一个啊checkpoint，就是去存在每一个训练的epoch，完了之后呢。

我们就会去存我们的啊，啧这个呃checkpoint就我们的model的weight，那大家想想看还有什么样的呃，可能的回调函数会存在这里呢，大家想想看，那我们在每一轮结束之后。

是不是有可能会要调整我们的学习率，比如说呃每十轮啊，或者每20轮，我可能会要降一下我的学习率对吧，这是很合理的一个啊调参的一个经验嘛，那所以对于调整学习率呢，啊这样的一个回调函数呢。

也可能是放在我们的什么呢，我们的这个呃call back x里面可以去进行实现，好啦，那这样的话就是我们整个框架已经搭完了对吧，架子都已经有了，那唯一的这个呢就是缺什么呢，generator啊。

缺generator好，那不着急啊不着急，我们就回到这个啊generator的这部分的这个代码，我们来把它实现完就OK了，好，大家有没有觉得在前面，我们的内容有什么样的问题。

我们给我们停大概半分钟的时间啊，没有同学问问题的话，我们就继续了，这块有没有一些疑问好，看起来暂时没有问题，OK很好，然后那我们就继续了啊，我们继续，好那我们定义好。

定义一下我们的generator的batch，那在定义的这个时候呢，大家想想看可能有哪些参数啊，我们会需要用到呢，那其中第一个参数非常容易想的两个，其实就是X和Y嘛。

其实这里的X不就是image pass list，情况就是image path list和image label的意思吗，诶不好意思，然后呢还有number of classes，吧我有多少类。

还有很合理的呢，那我的尺度吗，这两个对吧，batch size也很显而易见，比如说我们给他一个默认的32啊，我64shuffle啊，比如说我们也可以给他，然后呢，还有一个呢。

就是有时候啊我们可能需要去啊看一下哦，我们一会儿要用的数据扩增的一些数据，增强的中间的结果啊，或者存一些其他的东西，我们可以给一个目录啊，我们前面说过了，就是啊在计算机视觉领域里面啊。

在training的时候，我们通过数据扩增的方式呢，我们会去实现什么呢，去去降低我们过拟合的风险对吧，所以就是啊，这个呃我们一会快要来进行实现，那这里给大家啊两个例子啊。

就是这个image label list和image past list会长什么样子呢，啊我们预期是这样的，啊，那可能他长得这个样子呢是啊，比如说他的目录是可能杠home杠。

比如说data下面的一点JPG啊，然后他可能是长这个样子啊，一个pass list，然后这个image的，label list长什么样子呢，可能是七二十三八十等等等等啊，他可能会长这个样子。

那我们output是什么东西呢，大家想想看，For output，而对于这个generator generator的batch而言，我输出会是什么样子的，显然我肯定是都叫是一个batch的数据的加载了。

那我肯定是要加载什么呢，加载我们的，X batch，I batch，对吧，我肯定要加载这个嘛，那是不是我要return呢，是return这个吗，大家想想看，我最后一行就是我的这个函数的代码，的最后一行。

我是不是return这个，如果回答是return的同学呢，那就是啊这个编码的基础是稍微啊，我们在需要再好好回顾一下了啊，就对于generator迭代器而言，我们的关键词是yield。

啊不是return啊，好，那除了是返回x batch和y batch，这样的一个X和Y的这样一组配，那还会有什么样的形式呢，还会有什么样的形式，其实是取决于什么呢，取决于。

我们想要让我们的generator干什么，但我不想让他干什么，我们希望我们的generator batch的这个东西，不仅是能够在什么呢，在我们的训练的数据中会用到。

我们是不是在evaluation的时候，或者在inference时候也会要用到，因为我都要读数据啊，只不过在训练数据中啊，我们需要用到的X和Y，而对于做evaluation的时候。

或者做inference的时候，我们就没有了那个Y对吧，我们是要预测Y有X，大家想想看是不是这样子，所以这样的话啊，这样的话我们就希望什么呢，我们希望我们的这个这样一个函数，是能够兼容什么呢。

兼容我们的训练的过程，和我们的160ATION的过程，大家有没有get到啊，我的这样一个想法的布局啊，就是你在编码的时候呢，你就应该有这么一个想法了，因为这两个过程非常接近，只不过呢对于我们的呃啊。

只不过对于我们的这个呃influence的过程而言，我是少一点东西而已对吧，所以这两部分的代码是大部分啊，是很多程度上可以来复用的，所以如果你说老师啊，我就是想要新写一个函数，我就不让他们复用，可以吗。

哎可以的啊，没问题是OK的啊，就是功能上的这个实现完全没有问题啊，只不过啊你可能会显得，如果你的同事以后来review的代码，可能会对这部分好抽象的一个呢，这个可能会有些许的这个小小的这个建议啊。

就是这个意思啊，如果能精益求精啊会更好，所以呢我们也希望什么呢，我们能不仅能够返回这个XY啊，也干脆就返回我们的x batch也是OK的，那这个取决于什么呢，大家想想看。

是不是取决于你的image label list有没有提供啊，那如果我没有提供，那当然我就认为我是在influence阶段，没有任何的问题啊，啊如果我提供了，那OK我可能是在training的阶段啊。

所以这也很好理解对吧好，那么如果一旦有我们的这个啊，image label list和image这个pass list呢，其实我们大概率是希望什么呢，希望我们两者是啊就是啊划等号的对吧。

我们是希望这两者是一致的，好OK啦，所以我们可以先定义我们的这个batch size啊，大概有多少，其实就是我们的image path list了，好如果if shuffle，啊如果要shuffle。

那我就可以直接在image path list和image label list，直接shuffle，那注意就是这里的shuffle啊，你需要来保证什么呢。

shuffle前后的pass和label是要一一对应的，不然的话就有问题端，千万不要比较这个意思，这个想都没有想就开始什么呢，想都没有想就直接对什么呢，对呃先shuffle我们的label。

再shuffle，我们pass啊，那就有问题，你要带着他俩一起shuffle，那当然可以写一段这个自定义的函数，去干这件事情啊，只不过呢我们有一些这个能够帮助我们，就是啊。

有一些这个呃现成的函数能帮我们干这件事情，比如说，我们就可以用这个shuffle啊，来帮助我们去shuffle啊，同时shuffle这俩玩意，好他输入也很简单啊，就这两玩意，好让我们继续。

然后我们从设定一个index吧，我们从零开始，然后while true啊，这个是老套路了，因为我要去不断的循环我的啊，取我们的数据集嘛，在我们的batch里面来进行啊，循环好，While tru。

那我们来看看current的index在哪了啊，current index在哪在哪呢，是不是你当前的batch index去乘上什么呢，你的batch size，然后我们磨一下我们的大N。

啊就完了对吧啊，为什么要磨呢，因为有可能我们后面我们下一个迭代的时候，对吧，我超过了我的那个当前的这整个啊，depot的这样一个数据啊对吧，所以如果说if大N大于等于，Current index。

加上我的白痴size，那说明什么呢，说明我现在还没有到头啊对吧，所以我的current，C u r current，batch size就可以，为什么呢，我们的batch size没有问题。

嗯batch index加一就好了对吧，否则的话什么呢，Create by ch size，最后一个batch size就等于，对吧，因为我就等于他俩的差嘛，因为如果我再加上整个白痴size的话。

那我就超过了它啊，那我就是下一个轮迭代了，那下一轮迭代呢，那不就又置零了吗，对吧，又置零了，好所以这样的话额我们就写了这么一个啊循环，在这里啊就是我给大家提一个小小的思考，大家想想看。

就是后面这一点我处理，如果偷懒不处理，可不可以，可不可以，我们说是可以的，因为你想啊，就是你想想看是为什么，因为，如果说，我不处理的话，那无非就意味着什么呢，最后那一小撮数据。

它不出现在我当前的训练数据中而已，准确的说，我纠正一下，是并不出现在我当前1poke的数据中，唉这句话你承认了，你认可了，为什么我说是不出现在当前epoch的呢，有同学能想出来吗，为什么呢，因为什么呀。

因为刚才在我们training的那个文件里面，那个代码里面，我们写了一个回调函数，还记得吧，这个回调函数我们说了，他是做checkpoint的，对不对，但是在那个回调函数上面是不是还shuffle了。

对吧，我们还shuffle了，所以呢很简单，我当前可能不出现，但是不代表我以后不会出现了呀，因为我下一轮就shuffle了，那可能大概率啊，我本轮遗漏的那一小撮数据。

并且那一小撮数据还没到我的白痴size，对不对，这么一小数据，我觉得我下一个会出现，就算我下一轮不出现，我下下一轮也会出现，对不对，那你想想看你有多大的概率，你每次shuffle都没有sh不到任何一个。

那假设你有100轮的话，那你有二的100次方，你都没有杀不到这个，那这个概率就很小了，对不对啊，所以这个就啊解决大家疑惑了，甚至我就再给你算的严格一点，就算你有啊很小的概率都没有杀不到。

但是呢那又怎么样呢，我的数据集可能是十几万的数据集，我少那么几十个数据就不行了，你想想看不至于对吧啊不至于啊，所以从这两个观点呢就能解决，刚才啊我给大家提的这样一个小思考好了，现在呢就是啊总而言之。

我们就已经啊啧，由我们的这个啊当前的这个两个index，那么我们希望要做的是什么事情呢，我们希望是根据这些index能够读到什么呢，我的training的数据集X和当然批量的啊，分批的啊batch。

然后x batch和这个y batch，所以呢我希望有这么一个函数啊，叫load image batch，这个函数能够帮助我来加载啊，我的这些数据数据集，比如说。

我当前知道我的image的pass list对吧，我当前的index是current index对吧，那我要读到哪呢，我是不是要读到current index加上current batch size。

对吧，然后我的image label list是什么呢，是不是current index读到哪呢，current index加上current batch size。

当然我还希望有一些简单的其他的超参数对吧，可能可以来进行传递，Number of classes，以及你要读进来的image的wise和image的height，对吧，很合理吧。

所以我希望有这么一个函数，能够帮助我干这件事情好，那我们就回到前面来，我们来实现一下这个函数哈，它有什么样的啊，话筒，好啦，这个就是应该，嗯能够理解了啊，能够理解了，好我们把它的超参数写一下。

刚才我们写过了，那首先呢我们可以解析一下我们的batch size，为什么呢，因为这里面啊我都是load image batch，所以很显而易见就是我的，image pass list length啊。

其实就是我的当前的batch size，毫无疑问对吧，没有任何问题，然后呢，我们可以初始化一下x batch和y batch的形式来，expect的形式，答案是什么，是读入图像呀，对不对，读入图像。

那读入图像是不是，其实我们知道图像是三通道的一个cancer对吧，所以就是我们的bash size in height image base，还有一个什么呢，三呢对不对，RGB3通道呀，没问题吧。

YBH呢，200是什么，没大家想想看WIFH是啥，显然WIFH是，这玩意，后面怎么写，关键的来了，后面怎么写，是不是想想就知道应该是什么呢，Number of classes，为什么。

因为我希望我的label，是one hot in coding的形式，对不对，所以自然而然我们就有了，当然后面我们加一个，能想通不，是不是应能抢通，因为啊我需要one hot encoding。

那所以自然而然呢我number of classes啊，我就知道诶哪一个是一，哪一个其他是零，好了，那这样的话呢我们就有了x batch和y batch啊，它的初始的定义，那接下来的问题就在哪呢。

接下来的问题其实就在，我怎么把x batch和y batch给填满来，注意是正确的，填满来，那我的问题就解决了，因为这样的话，我就把我的data从黎从这个硬盘里面，加载在我的显存里面。

因为它我都已经读进来了，然后我就扔到我的深度学习的框架里面，让他去training就好了啊，我的任务就完成了啊，所以我整个逻辑呢就这么一个思路，大家看看这有什么问题啊，如果没有问题的话，我们就继续。

那接下来就是我们刚才说到对它进行填满对吧，那填满很简单啊，我写个for循环对吧，啊然后我们解析一下image的has就等于我们的，pass list i咯对吧。

好那接下来呢我们要去解析我的这个image path，读进来是不是就OK了，好那我们中间到时间休息一下，然后大家可以去喝点水上个厕所，然后迷惑回过头来继续写，好啊，那我们继续。

额如果我们要去解析这个pass的话，那我们其实会要用到open CV的一个命令啊，就是像CV two点immigrate，然后我用这个CV two点EMIRAID这个函数来读，进来的时候呢。

它的通道是BG2的通道啊，就是啊不是RGB的，所以这个需要需要大家给稍微留点啊，留心点，啊这个时候呢我们的image shape是这一个，128啊，6643，那如果什么呢。

如果说我的这个shape是不不是啊，就不等于我之前定义好的这个，那我肯定要resize一下，But hin uh resistar，这个，那我要把它再调回到RGB的话，我该怎么操作嘞。

因为我后面的一些normalization啊，或者一些啊这个先验的一些超参数啊，我可能都是根据RGB的对吧，最大想想该咋办呢，很简单，不要想复杂了，因为我的长和宽它是不动的对吧。

因为我只有depth的那个维度，是RGB到BG啊，RB加到RGB，那很简单，是不是直接让他反一反就好了对吧，这个就很简单了，然后呢，是不是就这个东西，我们就x batch的第I个就已经写完了对吧。

都已经写完了，可以吧，很合理啊很合理，那接下来呢我提醒大家，接下来我们可能要考虑一下，image label list这个东西了，大家想想看该怎么来处理，怎么来处理呢。

我们前面在刚开始的课程我们就讲过了，我们说我们希望我们写的这一坨函数，是能够同时满足于training和influence的，而对于inference而言，我的image label list是缺失的。

所以自然而然我们就希望什么呢，我们就希望我们可以通过image label list这个东西，来判断我到底现在是处在training的阶段，还是处于在inference阶段的对吧。

这样的话我的可操作性就强多了嘛，所以很简单啊，我就可以这样干了，所以if image的label，List is not n，那这样的话如果不是OK，那我就直接把我label list的第I个取过来了。

然后呢我要把我的why batch给赋值填充完了呀，对吧，也就是我的那个one hot encoding，那我该怎么写呢，因为我们的one hoencoding是只有一个一，其他都为零啊，那该咋写。

是不是其实很简单，直接就是一就好了，能想通吗，如果能想通的话，这个其实就是呃，这个其实就是我们的这个y batch，就把它给构造好了，好啦嗯，那接下来呢，接下来我们是不是就return了，对吧。

我们要到return什么呢，return x batch和y batch没问题，但对于这是对于training的情况下，那对于inference evaluation的情况下呢。

我是不是只需要return我的x batch就OK了就OK了，大家想想看是不是这回事情，所以如果是这个情况下，我们是不是要return x，batch和y batch，如果不是的情况下。

是不是我们就就直接return我们的x x batch结束了，想想看，这样的话，我们就把整个load image batch的这个函数写完了，我把它都放在这里啊，我把整个都放在这里。

大家来看看有没有问题，好有问题提出来没问题，一会我们继续走，上面的这些超参数都是传入的，不管是past list还是image able list，这个东西怎么来的，参看上一节课程对吧，我们已经说过了。

在上一节课程里面，我们是不是都已经解析好了，他的啊，class name啊啊past list，label list对吧啊，Training image，Pass，Original ideas。

这些我们都已经解析好了，那还有问题吗，看起来应该OK，好那看下OK的话，那我们就继续了啊，那load image啊，batch我们就已经有的话，那OK我们就可以回到我们前面。

我们这个中断的这个部分了对吧，就是x batch，Y batch，我们就可以好，回到这儿来了啊，回到这来了，然后我们通过刚才我们实现的这个load image batch，这个函数是不是就。

就可以读到我们的这两个X和Y的这样一，个数据集到数据了，好那我们已经快接入尾声了啊，接入尾声了啊，如果说我们前面argument的这个设置是true的，啊就在这里面，我们是不是有一个AUG写错了。

啊我们写了argument是true的，那我们其实是需要什么呢，需要做数据增强的，这个数据增强怎么做呢，啊我建议大家用这么一个包啊来做，就是在这个之前呢，你可能要做一个准备啊。

我建议大家用这个数据增强的报，好就是这个吧，你也应该可以通过pip install一下这个啊，问题不太大啊，问题不太大，所以也可以，然后呢嗯你进入这个，刚才我给你的这个链接的这个主页啊。

然后他就会给你嗯啊，这个给一个show的一个example的一个例子，然后你把那个例子啊拷贝下来就好了，这个例子就是他会给你设定一个sequence，这个sequence呢，啊他会给你这坨啊帮你写好啊。

比如说啊随机翻转啊，然后这个是不是要加一些这个椒盐噪声啊，然后是不是加一些旋转啊，会不会有一些，这个啊随机的一些平移呀啊等等啊，就是他会给你，你就直接用这些标准的操作啊，就OK了啊。

就他其实会定义很多的一些嗯，可能几十种，上百种的这样一个数据增强的一个操作，你进入这个主页，你看一下呃，你就呃非常的这个明确了啊，你就非常的就他的这个非常非常的多啊，好那我们就回到刚才我们的。

if augment啊，If augment，那首先就是啊，我们可以对batch这个数据呢确认一下，把它转成，Int，啊如果不做这个可能会报错啊，我只能说可能也许不会报错，如果报错了。

他可能就会提示你需要是INT8，刚才我们定义好的那个sequence，就是你从主页上可以啊，抄作业抄下来的，就OK了啊，它的使用操作非常的便捷啊，因为他都已经帮你啊，接口化了。

OK然后如果if safe，啊那刚才这里啊，你就直接去啊，用那个啊自己写了，就是你可以把当前的这个image给存下来了啊，就是直接下image点save什么东西啊，自己可以把它实现啊，或者不用啊。

如果你不想把它save下来，那你直接这个注释掉啊，没什么问题好，我们继续啊继续，呃X的batch好，我们说啊我们通常会做一些啊normalization对吧，比如说，除以二五，这很正常吧，啊。

然后事实上啊，通过我们对那个image net这个数据集的一些啊，经验啊，就是这是我们经验归纳出来的啊，就统计出来的，然后他有一个均值减去均值除以方差，然后这个统计的经验值呢，我们会把它放在这里。

所以大家后面不要再问了，就怎么来的，他就是统计大量的数据得到的，仅此而已，那直接就x batch，Y batch，那看看有没有什么问题，我来回的给大家切几遍啊，好那如果这里没有问题的话。

我们就可以回到我们今天课上啊，刚开始讲的最后的那个，就是我们就可以串起来了对吧，但只不过在这里呢，我们啊要把刚才那个generator啊，这个batch可以把它写完了，对我们要把它写完。

比如说我们就暂时不需要画了，这样的话我们就把我们的train generator，实现完AB了，大家看有没有问题，啊没有问题的话就很简单，那后面的validation的generator。

我们基本上很多参数是一致的对吧，为什么这里的argument是false，而上面的是true呢，大家想想看，为什么，是我写错了还是有意为之的，很显然，这里的false是，因为我们这个时候。

我们加载的的是validation的data，是我们的验证的数据集，那如果是验证的数据集，我们是不预期，并不预期它需要经过数据增强的东西，想想看是不是这一点，是不是我并不预期它会经过数据增强。

因为没有意义，因为我要知道我的每一次的好指标的上升，我的validation的评价的这个数据集是不变的，对吧，我要知道呃，我的数据是不变的，而是由于其他的这个带来的提升导致的。

这才证明我的参数是啊合理的，所以这样的argument我是要把它固定，而是固定住，是不要去动它的训练的，那这样的话呢，我们就把我们整个的训练的框架拉通了吧，完全可以run起来啊，我们再回扫一下，对吧。

数据读入，然后啊模型的构建修改，哦sorry，不好意思，差一步啊，我刚刚还好，我回扫一遍，差一个，大家有没有看出来我差哪里，他还不不能够站起来，它会报错，有没有看出来是在哪。

是不是我们还没有配置损失函数，想想看是不是这样，我并没有在哪里直，那个指明我们要用什么损失函数对，所以是在98行下面的这个我们需要有一个，baseline model点。

compile一下我们的loss，啊时间，啊这里的matrix指的是什么呢，就是你到底需要什么样的accurate，这个啊ACC啊或者accuracy啊，这样的指标，啊大概就这样。

所以这样的话我们就把我们的loss函数指定啊，这样是能够run起来的，好吧对，好然后下一节课呢我们就会啊，我们训练跑出来了，那理论上面有模型了对吧，有些模型我们怎么来进行评测呢，那下节课就是我们的重点。

OK嗯，大家看看对今天的内容还有什么样的问题吗，OK如果没有其他的问题的话，我们今天的内容就先到这。

1447-七月在线-机器学习集训营15期 - P4：02-数据分析与特征工程串讲 - 程序员技术手札 - BV1ASste6EuZ

好那么我们开始我们今天的一个课程内容，我们今天的课程内容呢其实嗯并不是特别难，我们主要是给大家讲，给大家讲解一下我们的一个数据分析，和我们特征工程两部分啊，一个是数据分析，一个是特征工程。

那么我们的一个具体的一个嗯时间安排呢，就是我们有四部分的一个具体的内容，首先呢给大家介绍一下数据的一个处理和分析，然后第二部分呢讲解一下特征工程的一个嗯，具体的原理和实践。

第三部分呢讲解一下具体的模型的训练和验证，第四部分是总结与回顾，好我们就开始我们的第一部分啊，数就是说我们的一个具体的数据分析的过程，在开始我们的数据分析之前呢，我们先会给大家讲解，就是说问题与建模。

这个呢其实是在我们的一个具体的一个嗯，数据挖掘，data mining的一个任务里面是非常重要的，数据的建模，它其实是嗯，决定了我们最终的一个解题的一个方法，以及我们具体的一个解决的六。

解决的一个问题的过程，我们都知道这个机器学习，它是划分为具体的一个场景的，这个场景呢就是我们是相当于是一些具体的一，些problem，或者说具体的一些task，这个task呢我们是根据在机器学习里面啊。

我们是根据分分任务对吧，我们到底是分类的回归的排序的，或者是无监督学习的对吧，我们的分类相当于是classification回归regression，排序是这种rank，无监督学习。

就是unsupervised learning对吧，那么这个地方呢，为什么我们是呃机器学习的一些具体的一些，应用场景，要做这些具体的划分呢，就是说其实本质我们的这些具体的一些场景呢。

它是都是可以对应到一个，机器学习的一个问题上面，那么我们的具体的一些，不管是在学术上面的一些问题，或者说在我们的一个互联网公司里面，遇到的一些问题呢，我们是可以根据我们的问题的一个类型按。

来完成一个划分的对吧，我们就是说遇到一个问题，我们的问题到底是有没有标签对吧，我有有没有这个label，如果有的话对吧，我们这些人是一个有监督的，有监督的，如果我们的一个label是无的话。

那么我们就是无监督的，然后在我们的一个有label的情况下，我们的label到底是什么类型的，这个label到底是它如果是离散的类型的，那么它就是一个分类的一个类别对吧，分类问题。

如果我们的label是这种数值的，那么他就是一个回归问题对吧，如果我们的一个label是这种次序的，那么就是一个排序问题，以此类推，那么这个无监督机器学习里面，也可以进行具体的划分。

我们嗯如果有基础的同学，应该知道我们在这个无监督机器学习里面，我们可以划分成什么，划，分成我们的一个就是说比较典型的PC，这种降维维度就降低，或者说这种k means，做我们的一个具体的一个聚类对吧。

这种pc a l k means都是我们的具体的一些啊，无间多器学习方法对吧，当然还有些其他的，比如说加入了这种深度学习的，这种自编码器的一些方法对吧，那么我们在做一个具体的一个建模的时候呢。

首先是需要对我们的一个具体的一个问题，做一个大致的划分，它到底是分类的，违规的排序还排序的，还是无监督的，这是第一点，第二点呢就是说我们的一个具体的问题呢，其实我们是可以把它嗯。

就是说有一些典型的一些案例，就是下面比如说预测某个用户是不是违约的，这个呢就是一个很典型的一个金融风控的一个，二分类问题，二分类的问题很典型的一个金融风控的问题，预测房屋的或者是房价的一个热度。

或者房屋的一个价格，那么这个很典型的对吧，是一个回归的问题，因为我们的一个房屋的价格是数值的，预测我们的一个温度的走势，或者说交通拥堵的一种情况，这个呢其实它也是一个我们的一个回归的问题。

但是呢这个问题他其实更加就是说具体一点，它其实是我们的一个时间序列的问题对吧，time series时间序列，那么这一类问题呢，其实在我们的现在嗯，互联网公司的一个应用场景里面，或者说在很多的公司里面。

都是有着相关的一个应用场景的时间序列，或者说预测我们的道路上面是不是有行人，或者说识别我们道路上面的一些具体的行车辆，对吧，这个都是个非常典型的一个应用案例，那么这个地方。

为什么我们可以从场景来进行划分，也可以从案例来进行划分呢，我们现在的一些具体的一些机器学，习的一些算法，都是在一个具体的一个案例上面，或者说一个很典型的问题上面进行使用，我们现在各位同学去找工作呢。

就是肯定就是说不是啊，什么工作都找对吧，我们肯定是非常建议大家你去呃，知道你自己适合什么样的工作，或者喜欢什么样的工作，比如说这个用户预测用户是不是违约，比较典型的。

就在这种金融风控是金融风控的一些公司里面，比如说蚂蚁啊，蚂蚂蚁花呗，蚂蚁对吧，或者说这种融融360，这种就是说金融风控的一些公司，然后呢，如果你的一个岗位是做这种，用户违约的一个预算。

那么你就去需要好好学习一下这种违约算法的，一个具体的一些原理对吧，所以说这个呢，我们是非常建议你把这个具体的案例和，能够和你自身的一个知识点，以及具体的一个就业的一个方向，能够结合起来是最好的。

其次呢我们对于一个数据集呢，我们是可以根据我们的数据集的一个类型，来做一个划分的，我们现实生活中呢我们的这个数据科学对吧，数据科学，数据挖掘，或者说我们的这个机器学习，深度学习。

它的本质就是我们的一个数据，那么在这个地方，我们的数据它其实也是可以做划分的对吧，我们的数据有这种表格类型的结构化的数据，和我们这种半结构化的数据，JASON的或者说XML的这种半结构化的数据。

或者说我们这种非结构化的数据，就是我们的一个图片类型的，视频类型的文本类型的这种非结构化的数据，这些呢都是非常三类典型的我们的数据集对吧，那么我们的不同的数据呢，我们在做建模的时候。

其实我们也是各自存在不同的一个区别的，我们在现实生活中呢，其实嗯对于初学者而言，对于初学者而言，我们比较建议嗯，就是说是学习这种嗯表格类型的数据，表格类型的数据，表格类型的数据呢就是说它是呃。

就是说我们的一个具体的数据集呢，就是这种二维的，二维的这种形式进行展开，我们的行就是我们的一个具体的样本，我们列呢就是我们的具体一个字段，比如说我们给定一个表格，这个表格里面拥有的是某个学生。

他的一个具体的一个姓名，他的一个具体的一个嗯，就是额他的一个成绩啊等等的对吧，相当于是每行是一个学生的一个记录，每一列是他具体的一个字段，那么我们这这是表格类型的数据，为什么我们这个地方会把这个数据集。

讲的这么清楚呢，因为我们不同类型的数据集，其实我们在它适用的得到的一个算法，它也是不一样的，表格类型的数据呢它可能比较适合用的数模型，就是说比使用那种x g boost，或者嗯我们NH级BM。

这个我们在上上周呢，我们的有有我们的老师给大家讲对吧，然后呢如果是非结构化的数据，我们比较适合用，那什么我们非结构化的数据，比较适合用这种deep learning的深度学习的模型对吧。

所以说我们的一个具体的数据的类型，也决定了我们最终适合用什么样的一个，具体的算法，所以说呢，我们是需要对我们的一个具体的问题啊，他的领域嗯类型啊，以及它的具体的一个数据集啊，要好好的一个了解清楚。

其实呢我们在识别到这个问题之后呢，我们并不是说是有一个完从头到尾的这种解，解决的过程，我们的一个具体的一个从头到尾的一个，解决过程呢，是我们的一个嗯就是识别问题，理解数据嗯，数据预处理建模与评估。

这个相当于是我们的一个嗯完整的一个，从数据的一个理解，然后对数据的清洗建模，然后再到再到最终的部署和评估，这是完整的，但是呢在这个解决我们的问题的过程中呢，我们的一个具体的一个。

它并不是说是一个瀑布式的这种串行的，一个开发过程，它是中间呢会需要进行反复迭代，那么如我们PPT所示的，我们在进行迭代的过程中呢，我们可能在中途呢可能是需要返返回返攻的，对吧。

反攻的这个呢其实是嗯很常见的，我们写一个程序，并不是说是一下子就能写成功的，那么类似的我们训练一个模型呢，也不是说我们一下子就能训练完成的，不是的，我们在进行一个建模的过程中呢，我们可能很有可能。

在一拿到我们的数据集的之后，拿到数据集之后呢，你可能是从我们的数据集能够找到，对我们的问题更深次更深的一个理解，那么我们就回过头来，结合我们的原始的一个问题的背景，然后再去理解我们的数据。

或者说我们在建模的时候呢，我们发现我们的建模，它的一个模型的精度不太好，那么以此类推，我们也可以反推，是不是我们的一个具体在处理数据的时候，存在某种误差，或者说出了差错对吧，所以说在我们建模的过程中呢。

它不是一个瀑布式的这种端到端的过程，它其实是有这种循环的过程的，循环的过程的一直一直循环，或者说是中途任意一个节点都会都会反攻，那么一直一直循环，循环到什么时候，能一直到我们的一个最终的一个模型的。

一个精度和模型的一个预测速度，它达到我们的要求的时候，我们才停止迭代，好在我们的建模过程中呢，其实本质啊，就是说有很多同学可能之前没有做过这种，机器学习的一个实际的一个项目部署啊，或者项目开发。

其实这个在进行建模的过程中呢，你可能是可能会对这每个步骤，它所花花费的一个时间比较感兴趣对吧，这个地方我们在进行花费时间的时候呢，可能这一部分的一个时间只占10%，机器学习建模的部分占10%。

然后做数据处理的这部分时间呢，可能是占据70%的，因为我们的数据它可能是比较脏的，我们是需要做把它做一个聚合的，也需要从我们的数据集进行一个理解，然后做一个特征工程的。

所以说实际做一个模型训练和验证的过程，其实时间很短，大部分时间都在做一个数据处理和数据清洗，数据分析的过程中，在我们建模的过程中，我们关键的要做的是什么呢，关键要做的就是。

你首先要识别出我们的问题到底是什么，它是什么类型的，以及通过我们的这个具体的一个哦数据呢，你能不能够找到数据的一个分布的规律，这个分布的规律呢，就是说其实就是我们的原始的某个字段。

它内部的一个分布的规律，这个分布的规律，其实就是需要我们对这个字段进行一个分析啊，这个分析呢可能是要画一些图，画图呢我们是呃如果是类别字段和数值字段，我们各自适合画的图不一样，画完图之后呢。

我们可以找出它内在内在的一个分布规律，其次呢我们的一个具体的一个数据集呢，它每个字段和我们的一个标签，也是存在某种规律的，也就是假如我们是一个表格类型的一个数据，我们每行是我们的一个样本，我们有两列啊。

一列是我们的一个字段，字段A还有一列呢是我们的一个label，在这个地方呢，我们是可以进行一个分析分析进分析什么呢，我们是可以分析一下，我们的一个字段和我们的一个标签，它的一个具体的一个分布的规律。

或者说我们的一个具体的一个，它们之间是不是存在什么关系啊，这个都是可以通过我们的一个分析的过程，来得到的好，那么我们在进行建模的时候呢，B会是不是存在有关完整的，或者说完美的一个解决流程呢。

或者说完美的这种解题套解决过程呢，或者解决模就是说会不会存在完美的模型呢，其实是不存在的，因为我们不同的任务呢，它的一个具体的解决方法，和建模方法都是不一样的，我们并不能一概而论，特别的呢。

特别的呢就是说我们的具体的数据，不同的情况下，我们的建模方法是不同的，我们的一个具体的一个任务，不同的情况下，我们的建模它具体的任务也不同，那么这个地方，我们的数据和我们的具体的一个任务呢。

就决定了我们最终他到底是做什么以及如何做，在我们的机器学习的一些这个领域里面呢，我们常见的应用呢就是说你可以嗯，首先可以按照我们的数据集来做一个划分，我们数据集做一个划分呢，就是我们是嗯比如果是初学者。

比较推荐你去学结构化的一个数据，因为结构化的数据呢，它的一个数据集往往都比较小，也比较适合你去做人工的特征工程，那么结构化的数据集里面，就是说我们的这个数据呢，它是使用这种表格形式来进行一个。

存储和展示的，在这个结构化的数据集里面，我们常见的这种任务，由广告搜索的推荐催电系统，金融风控最优化问题以及匿名数据挖掘的问题，然后呢我们以此类推，还有一些其他的图像的，AARP的文本的语音的这个地方。

我们就给大家稍微讲一下图像，图像的呢就是我们的一个具体的数据集呢，它是以这个image的形式进行存在的，image我们也知道它其实就是一个文件对吧，我们的一个图片呢，它的一个不可能的一个文件。

可能图片尺寸有大有小，它不是一个规整的形式，它是一种非结构化的数据，那么对于我们的一个图像的领域呢，我们常见的任务有这种图像分类，物理检索我们的语义分割，超分辨率重建以及人脸识别，自带估计。

关键点检测等等的一些任务，这每类任务呢都是可以找到我们的，相应的工作岗位的啊，你去搜啊，直接在这种招聘网站上搜，都是可以找到的对应的一个岗位的，那么类似的在文本和语音里面。

我们也也是有着对应的一些特定的一个岗位，和特定的任务嗯，那么我们在进行学习的时候呢，就是说非常建议你嗯熟练掌握这其中一种，或者说两种是比较好的嗯，因为我们这个你不可能，就是说你把这个基础学完了。

然后再呃不去学这个具体的任务啊，这不太可能，因为我非常建议你去学完基础之后，然后去挑选其中的一两个具体的任务，然后进行一个深入学习啊，这样是比较适合你的，一个具体的一个职业发展的。

那么有同学可能就会问到老师，我怎么知道我选哪一个嗯，就是说是哪一种这个领域啊，或者哪一个具体的问题比较适合我，这个呢就是非常推荐你去把每一个这个地方，你可以把这个截个图啊。

或者说在我们的QQ群里面可以拿到我们的课件，然后呢你再去嗯嗯了解一下每个任务，它具体是在做什么，然后你就是可以找到你比较感兴趣的，一个愿望好，那么我们今天呢给大家在进行举例的时候呢。

都是以这个to sigma connect，这个租房热度预测的这个数据集给大家展开，给大家展开，这个数据集呢其实是一个K哥的一个比赛啊，说我是从K哥的一个具体的一个课程里面筛选，把它抽取得到的。

那么这个具体的一个数据集呢，他在他在做什么任务呢，它是需要我们使用这个租房的一个信息，对这个房屋的一个热度做一个预测，这个房屋的一个热度呢不是它的温度啊，这个房屋的热度呢相当于是它的一个受欢迎。

受欢迎的一个程度，就是说这个房屋它受欢迎的一个程度，我们是需要使用这个房屋，它的基础信息来预测它的一个热度，那么这个地方其实本质就是对我们的一个，房屋的热度进行一个分类对吧，那么我们的一个具体的数据呢。

它拥有了我们的房屋的信息，这个房屋的经纪人信息，房屋的地理位置信息，我们在做的时候呢，其实本质需要将这些具体的字段，做一个聚合的统计，所以说他的一个具体的操作过程呢，其实是需要做大量的一个统计啊。

这个to西格玛这个具体的数据集呢，它原始来源于KO的一个具体的比赛，他总共包含了十四十四个字段，分别涵盖了啊数值类型的类别，类型的文本类型的，日期类型的和图片类型的这些字段啊，然后呢通过这个数据集。

或者通过这场比赛呢，你可以完整的掌握到我们具体的数据挖掘的，各种技能嗯，它包含的一些具体的一些数据呢，我们在这些字段呢，我们待会也会展开给大家讲解啊，你不用担心，好，这个呢我们先给大家花了一点时间。

给大家讲完了我们的这个初始部分，我们如何对我们的数据集，以及我们的问题做一个抽象对吧，我们到底如何对它进行具体划分好，我们接下来呢就开开始，正式开始我们的第一部分额数据处理和分析，这个地方啊。

就是很多同学呢觉得算法工程师做一个他的算，很多同学可能觉得算法工程师的一个工作，主要是训练模型，其实不是的，算法工程师百分，我刚才也讲了，70%或者70%以上的时间呢，都是跟数据的一个处理相关的。

比如说数据的一个清洗，数据的一个查询，70%以上的时间都是在做直线，然后还有10%的时间可能才是建模，其实建模的时间其实是非常少的，因为我们现在的一个具体的机器学习的，这些库呢都非常完备的。

你只需要把我们的数据集把它处理好，那么接下来送到我们的具体的一个模型里面，就行了对吧，所以说我们在这个地方呢，很多时间都在做一个数据的清洗，数据的查询和数据的分析，那么在去西格玛。

这个租房热度预测的比赛里面呢，其实我们遇到的一个问题是什么，在render hop，render hop呢是纽约啊，纽约new york它的一个租房的一个网站，就相当。

相当于是我们国内的这种链家的网站一样，那么在这个网站上面呢，就是说很多的一些房客，他可以在上面找到他想要的房子，那么我们在这个网站上面呢，也有一些具体的一些嗯，房屋的一个信息呢会被张贴出来。

那么我们是需要预测一下这个房屋的一个热度，这个热度呢就是这个房子它受欢迎的一个程度，或者说他的点击率在这个地方呢，就是说我我们的一个具体的任务呢，是跟预测这个房屋的热度，预测完成之后，我们能够做什么呢。

我们这个得到的一个模型呢，可以更好的去分析一下我们哪些房子，它可能是更加受欢迎的对吧，也可以对我们的这个租房的信息来进行控制，比如说嗯，我既然能够识别出我们的一个房屋的热度，那么我们可以将这个嗯。

比较受欢迎的一个房屋呢，它它均均匀的一个采样的采样进行发布对吧，不要一下子发布很多的一些比较受欢迎的房子，对吧，让它均均匀的就相当于是有一个等待一段时间，然后再发布。

或者说呢我们通过这个房屋的一个热度的预测，模型呢，也可以帮助我们的一个业主和中介，请理解我们的租客的一个偏需求偏好啊，这个呢其实是也是非常有帮助的，他的去这个地方呢，我们的去西格玛呢这个具体的一个问题。

他的评分方法呢它是用log loss来做一个评价的，他的一个具体的问题呢其实是一个分类问题啊，我们的一个热度呢就是分为我们的三个，我们的一个就是三类啊，high media和low3类。

我们接下来做一个具体的一个预测的时候呢，我们是需要预测得到，我们的一个具体的一个房屋，它是属到底属属于某一个类别，然后这个地方呢，我们其实本质是需要识别出我们的一个，它每个类别对应的概率值啊。

这个地方相当于是这一行，它的概率值相加得到等于一啊，那么这个地方呢我们嗯在进行评价的时候呢，是用我们的一个logo loss来做一个评价，好我们在这个原始数据集里面呢，其实它包含的信息还是蛮多的。

我们的一个有一个train jason和test jason，这是我们的一个原始的一个数据集，然后呢这样他还给了一个嗯image sample，点zip这个文件，这个文件里面呢就是我们的一个嗯。

就是说所包含的一些呃房屋的一个照片，这个呢就是我们的一个具体的一个嗯，房屋的一个照片的文件夹，相当于是我们在这个数据集里面，我们还给定了这个房屋的一些具体的照片信息，当然这个照片信息呢。

它就是一个非常典型的这种非结构化的数据啊，我们就可以把它利用起来，在我们讲解完这个具体的一个问题背景之后呢，那么我们接下来就可以思考一下，我们的具体的一个sin题，它到底是一个什么样的问题对吧。

首先他这肯定是一个有监督的一个问题，因为我们是有训练集，以及我们有测试集的对吧，这个地方有监督的这个问题其实很好识别，我们是有训练集的，也有测试集的，然后在训练集里面呢，我们是有这个具体的标签的好。

那么在有监督问题里面呢，它其实是一个分类问题，分类问题对吧，我们的具体的标签呢是分三类的，它是一个分类问题，然后呢是分三类的，就也就是说它是一个多分类问题好，那么这是一个问题的建模以及问题的一个抽象。

然后接下来呢，就是说我们是需要提前做一个思考的，就是说我们在做一个建模的时候呢，你首先要对我们的一个问题背景进行一个理解，然后接下来就是可以对我们的一个，具体的一个标签做一个假设。

也就是说你可以自己思考一下，我们的一个房屋的一个信息，是如何影响到它的一个热度的呢，或者说一个房屋的一个信息，如何影响到他的一个具体的受欢迎的程度的呢，有没有同学想回答一下对吧。

我们的一个具体建模的时候呢，你是就是说是需要这样思考的，类似于这样思考什么去影响到我们的标签，以及我们的标签和什么相关，有没有同学想回答一下的，就是说我们在做一个租房的时候，什么样的房子。

它的一个具体的受欢迎的程度是比较高的呢，对，因为同学讲回答的，那么这个地方呢，就是说如果大家有这个租房的一个呃，就是说曾经租过房子啊，或者说有这种租房的一个经验的话。

可能就知道什么样的房子他比较受欢迎的，首先呢它的价格比别人低的对吧，相同条件下面这个价格比别人低的，肯定比较受欢迎对吧，其次呢这个房子他的一个位置对吧，房子肯定他的一个位置信息位置比较好的。

那么他肯定也是可能比较受欢迎的对吧，然后呢这个房子它内部有什么家具对吧，这个呢也是呃就是说这种配套的一个信息啊，也是会影响到他是不是受欢迎的，所以说呢在我们建模的时候呢，你首先可以从这个角度来进行思考。

就是说我们的一个标签，它是它是如何进行一个就是说什么样的数据寻，它可以影响到我们的标签，其次呢我们还可以思考，就是说什么是我们的标签，我们的标签是如何进行定义的，这个其实也是非常关键的。

你的一个标签它到底是这个热度，到底是怎么定义的呢，你可以把它定义为这个房子，它的一个嗯在我们的网站上面被查询的次数，或者说这房子在我们的网站上面，它被点击的一个次数都是可以的对吧。

这个相当于是他被就是说这种受欢迎的，一个程度对吧，就可以视为一个热，那么我们在做一个建模的时候呢，首先可以对我们的具体的一个标签做一个理解，其次去思考一下我们的一个具体的标签。

它是如何受到我们的数据集所影响的，在我们的这个问题里面呢，我们拥有的这个具体的数据呢是这些啊，我们分别是bathroom，bedroom啊，B2dd created啊，description啊。

这些字段我们一个一个来看，bathroom呢，就是我们的具体的一个相当于是梳妆台，或者说这种洗手间的个数啊，厕所的个数，然后呢我们bedroom呢它是这个卧室的卧室，这个呢我们在这个地方其实都标示好了。

具体的一个字段的类型的啊，这个地方其实需要注意的啊，我们在进行一个建模的时候呢，其实是非常建议你把每个字段的一个，具体的一个类型给它清楚地标识出来，然后如果能够理解嗯，或者说翻译这个字段的一个哈。

它的一个含义的话呢，也可以把它那个字段的含义给它记录下来，这样呢其实是非常非常有助于你对数据集进行，一个理解的啊，然后呢我们还有个这个B0DB20id呢，它其实是一个类别类型的。

就是这个建筑物的一个id，因为我们的一个具体的一个建筑物呢，相当于是我们的到底是哪一哪一号楼对吧，这个地方你可以理解就是一个楼的一个编号，或者说我们的门牌号，然后呢还有一个created。

就是我们的这个房屋，它的一个信息被张贴的一个时间，然后description呢就是一个文本类型的，就是说这个房屋的一个描述信息，它的一个我们在做张贴一个房子的时候呢。

就是房东或者中介会用一段话去描述一下，这个具体的一个房子，他到底是什么样的一个类型，以及它的一些具体的一些描述对吧，比如说我们的房子它坐北朝南，有电梯，怎么怎么样对吧，用一个文字来做描述。

然后呢diss display address呢，就是说这个访问它的具体的地理位置，所展示的地理位置，然后还有一个features，这个features呢它是一个列表类型的。

就是说它其实是将一些具体的一些特点，这个地方呢有点像这种中文里面叫叫这个打tag，打个标签，比如说呃这个房子有电梯呃，什么什么，就是说有电梯呃，有门铃对吧，然后哦不要不要物业费对吧。

相当于是用一个个的一些具体一些tag，去描述这个房屋，然后还有一个我们后面的是个listing id，这个呢就是一个主线id，就是说我们的这个具体的房，这每这个张贴的房子的一个唯一的标识，就是主建。

然后我们的NETITUDE和longitude呢，就是我们的具体的一个房子，它的一个具体的经纬度，然后manager id呢就是说是这个房屋的中介，他的一个信息也是类别类型的中介id。

然后photos呢是这个图片类型的，就是这个房屋的照片，price呢就是这个数值类型的，是这个房屋的一个具体价格，房屋的一个具体价格，然后这个photos呢就是我们的一个具体的一个。

房屋的一个具体的照片，price呢就是它的一个具体的一个我们的一个价格，然后street straight address呢这个街道信息，然后interest level呢就是我们的具体的一个标签。

我们具体的一个标签，那么这个就是我们的一个具体的数据集啊，他就是长这样的啊，长成这样的，那么我们这个地方，其实是把每个具体一个字段呢，给大家解释了一下，那么我们来看一看我们的原始的一个数据集啊。

它就长这样的，我们的每个具体的一个嗯，这个数据集，每个阶段我们的bathroom有1。5个诶，为什么有1。5，为什么有1。5个，这个地方呢其实是这样的啊，我们厕所是1。5个的话。

就是有可能是这个厕所呢是有公用的，或者说有的厕所呢只能是用来嗯，相当于是呃这种洗手的啊，就相当于是这种呃共用的厕手，或者说是嗯对半，这种厕所都是都是有的啊，因为我们租房的话，这是很常见的。

然后我们的卧室个数呢一般是整数的，然后我们变0id对吧，这种id类型的这个这个其实是一个字符串，这个其实是一个字符串，但是呢其实它也是一个类别类型的好嗯，created是我们的时间对吧。

然后这个地方的features是我们的一个list，好，然后呢，如果各位同学就是说想对我们的一个，就是说我们的一个就是具具体数据集，想要进行深入的理解呢，我们的一个具体的一个额数据集也给了大家啊。

然后你可以自己一下去看好，我们在做一个数据集的一个理解的话呢，就是说我们首先嗯，也可以从我们的具体的统计值做一个判断，我们这个地方呢，就是说我们在做一个数据的一个处，理和分析的时候呢。

我们是非常建议你从一个整体的一个分布的角，度做一个啊统计以及做一个分析啊，因为我们在一个具体的一个，对于我们的具体的数据集，它基本上就是一个行列的一个形式，这个地方我们的一个列呢。

就是我们的一个具体的一个字段信息，比如说这个房屋所有房子的一个bedroom，或者说它的bathroom的一个信息，我们对于这个字段我们是可以做一个统计的，就是说可以得到它整体的一个分布。

或者说得到它整体的一个规律，得到了这个规律之后呢，我们可就可以用这个统计的一个信息，去对我们这个字段进行描述，这个地方呢就是说我们在做一嗯，在数数理统计或者概率论里面。

我们是可以学习到一些具体的一个数值分布，随机分布的一些嗯，就是说常见分布的一个呃一些情况对吧，我们有这种均匀分布，被阻力分布，我们波动分布等等，那么这个地方我们的不同分布。

其实它都是可以做一个相互转换的，对吧好，那么这个呢我们就不做展开讲，因为这个其实不是我们的重点啊，我们其实就想给大家就是说说清楚，我们具体的数据集呢，我们其实是仍然建议将这一个字段，把它单独拿出来。

然后做一个具体的统计，我们在做一个具体统计的时候呢，我们经常会做这样一个统计，就是说99%的一个数据，他是怎么样的，或者说99%的同学，他的一个成绩是怎么样的，或者说我们就是说你的一个成绩。

已经进入了前1%，这个地方的一个99%和1%，他在说什么呢，其实它本质就是在说一个具体的一个嗯，分位点的一个信息，或者说是一个统计的一个分位量，在这个地方就是说你的一个具体的一个统计值。

99%的数据都处于某个范围，或者说你的一个具体的一个数，它的一个字段，它的一个你是不是位于在某个范围内，这个地方呢，我们常见的这个百分比啊，就是这种分位点的一个含义啊。

当然我们也可以做这样一个具体的一个处理，就是说我们可以统计我们的，25%的分位点，50%的分位点，这个50%的分位点，就叫我们的中位数对吧，然后我们的75%的分位点，然后就是说把某一列单独拿出来。

计算这个我们的三个分位点，然后计算完成计算这个分位点之后，然后做什么呢，我们可以得到一个IQR，I q2，其实它是等于我们的Q3减去我们的Q1，就是我们75%的分位点的一个，数值取值。

然后减去25%的分位点的一个取值，得到我们的IQ2，然后通过我们的一个IQR，可以得到一个具体的一个上界和下界，这个地方其实是这样的啊，我们的一个具体就是这样的，我们的一个上界呢就是我们的一个Q3。

加上1。5乘以IQ2，Q1呃，我们的下界呢就是Q1-1。5，1。5乘以IQ2，这就是我们的上下界，这个上下键可以用来做什么呢，我们的这个上下键可以用来做一个缺额，我们的一个离群点的一个判断。

也就是我们通过这样的一个计算，得到我们的上下界之后呢，我们的这个范围内的一个数据，就是我们认为它是合理的分布的，然后在这个范围内之外，比如说小于我们的下界，或者大于我们的上界的数据。

我们就认为是我们的一个离群点，离群点，那么我们就可以通过这个统计的方法来识别，得到我们离群点，那么这个镶嵌图它还可以用来做什么呢，它还可以用来做，就是说得到我们的具体的一个数据，它是嗯怎么分布的。

因为这个地方我们有三个分位点啊，这个相线图在这个英文名字里面叫这个box，PTS对吧，箱线图它为什么叫相线图，其实就有有点像那种拉杆箱的样子，我们这个地方的25%的一个位置。

和50%的位置以及75%的位置，那么我们如果这三者分布的一个位置，不一样的话，我们得到的就是它原始的一个曲线性，原始哪个分布就是不一样的，对吧，假如说我们的具体的一个，中间的一个最核心的一个箱子。

他的100我们的中位数不一样，中位数的位置不一样对吧，那么其实我们得到的一个取原始的分布的，形态也是不一样的，这个相当于是我们的具体的一取值，我们从25%到50%的，25%的一个。

相当于是整体数据及25%的一个分布，都是位于在这个取值的范围内，就是说在这个范围内，如果这样呢，相当于是均等的，相当于是整体的一个分布是比较均衡的，就是类似于这种正态分布的，没有没有左偏。

那么如果是这种形态呢，就是有点像我们的右偏，也就是说我们的这一部分的一个数据集，它是分布的一个比较密集的对吧，相当于是一种右屏的状态，所以说呢我们通过镶嵌图呢，是可以一方面可以识别出我们的数据集。

它的是不是有离群点，另一方面呢也可以得到我们的具体的一个，数据的原始的一个分布的形态啊，那么对于我们的数据集，我们如果是想要做一个分析，我们怎么做呢，就是非常简单啊，做一个数据分析其实都是非常简单。

我们可以分析一下我们的具体的每个字段，它的一个出现的一个次数，就是我们选择得到某一列，然后算一算某一列，它具体的一个整体的分布的一个规律，比如说我们画一个bedroom的一个count pose。

就是我们画一个出现次数的一个统计的一个嗯，柱状图，我们bedrooms为零的一个房，房子有多少个，bedrooms是唯一的一个房子多少个，以此类推，这个地方呢，我们你可以画这个具体的一个直方图啊。

或者柱状图，当然也可以通过我们的一个pandas里面的，describe函数来做一个描述性的一个分析，pandas的一个describe函数呢，就是嗯可以可以很方便的计算得到某个字段。

它的一个具体的分位点的一个情况，它的一个最大值最小值25%分位点，50%分位点以及75%分位点，各自的一个取值啊，各自的一个取值，那么类似的我们也可以看一看我们的bathroom。

他的一个具体的一个嗯就是的分布的情况，在我们的bathroom，取值为一和取值为二的房子是最多的对吧，其他的就是1。52。5，3。5，4。5的房子都是比较少的，那么我们对于我们的具体的一个可视化呢。

我们也可以对我们的一个数值类型的，比如说我们的一个经纬度NTITUDE，和我们的NTITUDE做一个具体的一个可视化，那么我们这个地方是对NTU做一个可视化，这个地方其实它绘制得到的是一个密度直方图。

在英文缩写里面叫KDE，相当于是我们的一个color density的呃，我们的一个嗯就是图对吧，相当于是一个密度直方图，在这个图里面呢，其实它本质绘制得到的一个形态呢。

跟我们的这种柱状图其实是差不多的，只不过这个地方我们的一个柱状图呢，它其它的一个具体的一个，这个类别的一个取值空间，它的一个相当于是取值空间比较小，类别取值空间比较小，如果是这种数值的话呢。

我们是数值的，它的一个类别取值空间就比较大，因为我们的数值，它的一个就是相当于是它可以分的比较离散，对吧，那么这个地方我们可以发现，在这个我们的这个经纬度的绘制，得到的密度直方图里面有一些位置。

它的一个房屋它可能是比较集中的对吧，在这些位置，那么在这些位置里面，就表明我们的这个有可能我们的一个房子呢，它可能是处于集中在某些位置，集中在某些位置对吧，好我们的NTITUDE和longitude。

我们可以对于数值类型的，我们可以画一个密度的密度直方图，那么类似的啊，我们对于我们的这种嗯price price呢是我们的价格，我们也可以绘制这种图图形，就是我们的这种密密度直方图，价格呢。

它就是我们的一个，相当于是跟我们的一个金钱相关的对吧，跟金钱相关的这个呢其实是这样的啊，我们的现实生活中呢，就是他有点像这种20%的人呢，掌握80%的财富，这是2080的一个原则。

或者说20%的一个房子，他都是就是说哦，80%的房子，都是在20%的一个价格区间内，它都是我们的一个这种分布啊，都是严重的左偏的，我们的价格啊，它是这种只要跟金钱相关的，它往往都是左偏的。

而且都是跟我们的2080，这种原则是匹配的啊，也就是说20%的，80%的房子，都位于20%的一个价格区间内好，那么这个地方呢就是说我们的一个价格，其实跟所有跟金钱相关的字段，它的往往都是左偏的。

那么这个左偏的呢，就是说我们如果遇到一个字段，它是跟金额相关的，而且是左偏的呢，我们是可以把它做一个处理的，我们怎么做一个处理呢，比如说我们把它做一个取log，这个就是一个很好的处理。

相当于是去除他的一个偏态的这种效果，把它尽可能转为正态分布，因为我们也知道啊，在做一个具体建模的时候，如果这个字段它是正态分布的，那么我们很容易得到这个它的一个模型的一个，无偏估计对吧。

如果我们的数据集，它的一个具体的字段是这种非正态的，那么我们得到的一个模型，就很难去得到它的一个参数的无偏估计，那么我们接下来看一下我们的BI0id，bi0D呢，就是说这个具体的一个建筑物的编号。

建筑物的编号呢其实它是一个字符串类型的，相当于是一个嗯，我们把这个具体的一个房屋的一个信息，把它进行编码的字符串，这个地方呢我们把它做一个统计的时候呢，他其实这个取值空间是蛮大的，因为这个地方。

其实他虽然说是一个类别类型的字段，但是呢这个地方的类别类似于字段呢，它是加有id这种成分，在这里面id是什么，Id，就是用来标示某一个具体的一个他的一个身份，对吧，等于身份证号。

你之后看到的跟我们的这个id相关的字段，它往往的取值空间都非常大，虽然说他是一个类别字段，它的但它的取值空间是非常大的，那么我们在做一个具体的一个统计的时候呢，我们就可以统计一下。

这个地方就不建议画这个密，我们的一个柱状图啊，因为他的一个取值空间非常大啊，所以说画出来也并不是特别好看，你在做这个地方呢，我们可以统计一下它的一个具体的一个value counts。

就是他的一个次数啊，做一个统计就行了，我们可以看一下，我们BIDID取值为零的情况下，有八千二百六十八十六套房子，这个呢其实我们很清楚的，可以看到这个地方的零，其他的一些变量I1键都是这种等长的字符串。

这个说明什么呢，这个地方的零它就是一个去我们的一个缺失值，缺失值我们的一个Missing value，或者说是一个默认值，天天是我们这个地方是没有填这个变量id的，某个房子是没有填这个变量id的。

这个地方呢，就是说我们通过一个数据分析，是能够找到某个字段，它到底是就是说有没有缺失值，有没有这种具体的一个额分布的情况呢，然后呢我们对这created，这个created就是我们的一个日期类型的。

时间跟时间相关的，如果是跟时间相关的呢，我们就可以绘制类似于这种图像，我们的X轴是我们的日时期，Y轴，就是说在这一天他所发布的一个房屋的一个，具体的一个个数对吧，也是类似于这种柱状图的这种形态。

那么我们可以看出我们的具体的这种房屋，它所发布的一个时间有点儿其实有规律的啊，对吧，是有规律的，那么这个呢其实是一周一周的波动，那么类似的呢，我们如果是遇到了这种文本类型的数据呢。

我们是可以这个与文本类型的数据呢，我们是可以做一个云图，Wordcloud，云图，云图的含义呢，就是说我们的一个具体的一个在绘制的时候呢，如果这个文章里面这个单词出现的次数越多。

那么它的它的一个字体就越大，就是这个意思，没有其他意思，云图其实很多同学都知道，我们这个地方呢，通过云图，我们就知道，大部分的房子呢可能是位于这些wall street啊。

或者BDVA这些对应的一个位置对吧，那么我们也可以对我们的一个display address啊，做一个统计，这个地方呢display address呢，其实他也是这种字符串类型的。

那么对于这种字符串类型的呢，我们也可以做一个统计得到的统计，得到一个统计值啊，然后做一个可视化，比如说我们的一个具体的一个，做这样一个可视化，就是说我们的一个具体的一个嗯房子，如果它出现了一次。

他就是说对应的一个地址，类似于就是说只出现了一次的这样的地址的，一个房子，他拥有多少个对吧，其实这也是一个非常非常典型的一个，左偏的一个分布，也就是说我们大部分的房子呢。

它的一个出现地址啊都是比较独立的，都是比较独立的好，那么我们来看一看这个features，features呢就是一个list类型的，对于这种历史类型的呢，我们可以统计一下这个房子。

相当于是它是这个它的含义，就是这个房子的一个特点对吧卖点，那么这个卖点呢你就是我们的一个tag，那么我们可以这个地方呢可以统计一下，这个features是它具体的个数，大部分的房子的一个特点的个数。

就是他的tag个数是在00~0到六之间的对吧，然后呢大于六的也有，那么对于我们的这个features呢，我们也可以画一个云图来看一看，大部分的一个tag呢，就是说可以dog dogs aloud。

可以养狗对吧，elevator我们有电梯的，Door man，有门铃的对吧，然后我们还有这种什么可以养猫的，有健身房的等等等等对吧，这个就是我们的features。

然后这个地方我们有个manager id，manager id啊，这个地方就是一个中介的id啊，也是一个非常规整的一个字符串的类型的，那么我们接下来就是我们，其实刚才是将我们的这些字段。

大致给大家讲了一下，然后我现在问大家一个问题，就是说，如果大家通过我们的具体的数据集的一个理解，你会认为哪些字段对我们的具体的一个房屋的，一个热度是非常非常相关的呢，也就是我们给大家讲的。

这些具体的一些字段之后，你会认为哪些字段，会影响到我们的一个具体的房屋的热度呢。

也就会影响到我们的标签呢，对有没有同学想回答的，对呃soft的同学以及莫西莫辛同学，以及两位手机用户同学，有没有想回答的，如果你看了之后，看了我刚才给大家讲的这些字段之后，你有没有觉得。

哪些字段可能会跟我们的一些标签有相关呢，有没有同学想回答的，那么这个地方呢就是说我们刚才也讲了，在讲这个数据集之前，肯定我们的这个价格位置对吧，都跟我们的一个具体的一个呃，房屋的一个标签是相关的。

其次呢还有可能跟我们的标签强强相关的，是我们的这个B20id，以及我们的manager id，这个BADID，这个BDD呢和manager id都是这种id类型的，id类型的呢。

其实他都是很有可能跟我们的标签强相关的，比如说某个中介，他发布的房子都是比较优质的房子对吧，那么这个地方可能他的一个房子的一个，热度都比较高是吧，好那么我们就继续，那么我们在做完具体的一个可视化之后呢。

有可能有同学就觉得，可视化是不是就是我们刚才所说的这么简单啊，其实可视化并不是说是这么简单的，我们先给大家讲一讲这个可视化，可视化呢这个地方其实在Python环境下呢，也有非常多的一些具体的库啊。

我们可以很方便的可以进行使用，比如我个人比较喜欢的就是这个con这个库，con这个库呢它是基于matt plot lib的，然后可以很方便的用来绘制这种，就是说我们的这种数据的一个分布的。

这种可视化的图形，他在做一个画图的时候呢，我们在做一个画图的时候，其实你可能第一次看这个图觉得很难看懂，其实我们一步一步可以把它剖析一下，我们这个图呢其实它包含了三个字段。

X轴Y轴以及我们的这个clue，这相当于是smoker它的具体取值，那么这个地方我们在看图的时候，首先看一下我们的X轴，X轴是我们什么，我们X轴是对我们的一个day，做一个分类的情况下。

然后Y轴是我们的total b啊，具体的一个取值，然后这个地方呢，其实他还做了一个具体的一个分类，也就是说我们的day取值为我们的TUESDAY的情况下，我们我们的smoker取值为yes。

或者说取值为low对应的样本，然后呢我们在这个取值不同的情况下，我们在对我们的total b啊，绘制一个得到一个象限图对吧，那么我们在做一个具体的画图的时候，或者说看这个图形的时候。

你要弄清楚这个具体的画图，或者说图形里面它到底包含了多少个元素，这个其实是非常关键的啊，非常关键好这个呢我们的这个box blox呢，它其实在做绘制的时候，其实是不单纯的对一个字段进行绘画图啊。

相当于是这个地方哦，我们是使用两个字段进行分组之后，然后分别绘制得到了我们的一个象限图对吧，然后类似的啊，然后类似的我们再给大家找一个啊，嗯这个地方对，小提琴图也非常典型。

对我们的day和我们的一个smoker进行分组之后，然后绘制得到这种分布，这个分布呢它非常像一个小提琴，他是这种竖竖着的一个分布，然后这个分布这一部分。

这一部分是我们的day取值为TUESDAY的情况下，smoker取值为yes的情况下，我们的toto be要整体的一个分布，然后这部分呢就是我们的一个day取值为TUESDAY。

smoker取值为NO的情况下，我们toto bi的一个整体的一个分布，它其实是嗯，相当于是也是一种对两个字段进行分组的，情况下，然后再去看一个具体的数值的一个分布的情况，它比这个镶嵌图呢。

可能嗯就是说更加直观一些啊，但是呢这种小梯形图呢，它不能看出我们具体的一个数据，它有没有离心点啊，他其实是看只能看到这整体的分布的情况好，那么类似的啊，在simple的库里面呢。

其实有非常非常多的一些画图的函数，都可以就是很方便的用来做一个画画图啊，那么这个地方呢其实是有很多的一些库用，都可以用来做画图的，比较典型的就是说如果是学Python的话。

最最嗯就是基础的画图的库呢是这个MATTPLEAP，它是最为底层的我们的画图的库啊，最为底层的画图的库好，然后呢如果是基于Macbook lip呢，就是由这个我们刚才所讲的这个CBSBL呢。

这个库是基于match prolip进行二次开发的一个库，然后可以快速的绘制，得到我们的这些很漂亮的一个图标，也就是说我们他其实是调用这个match pch lib，做一个画图啊。

所以说它是一个高层的一个啊组件，然后呢还有一些其他的库啊，比如说这个我们的PLOTLINE，或者说我们的BOKEH嗯，这些库呢都是比较高阶的库，它可以嗯跟我们的浏览器啊进行集成啊。

然后做这种可就是说这种叫带有交互式的图啊，都是非常非常方便的，还有一些呢，就是我们对我们的具体的一些地理位置，做可视化的图嗯，比如我们的这个地方，FOAIUM都是这些图啊，都是可以嗯。

相当于是不同的数据类型，我们做不同的可视化好，然后还有一些对我们的缺失值，做一个可视化的啊，我们在之后的课程也会给大家讲的好，那么这个地方呢，就是说有很多同学在学了这些画图之后呢，就可能是会觉得迷糊。

或者觉得我第一次接触，你给我讲这么多图干什么，其实这个地方是这样的啊，我们的本质的可视化呢，就是在于我们如何是用一种一种图，或者合适的图，对我们的一个字段做出一个具体的一个可视化，做出个统计。

比如说我们想要对一个具体的一个数值，做一个可视化的话，其实我们是可以画出它的一个柱状图的对吧，一个数值在不同分组的情况下，它去写一个可能分布的情况，或者说你不画这个柱状图，你就画这种密度图。

其实本质是一样的，就是它展示的一个形形态啊，以及具体的一个形状是不一样的，类似的你可以画这种我们的累计分布图，现在有点像我们的一个CDF对吧，从我们的一个相当于是，小于我们的180的一个数数据。

它大部分就是它的比例是在0。05对吧，接近0。05，然后呢，小于190的数据呢，是在0。2 20%的比例，然后一步一步增加到一，这种相当于是画会值得到我们的一个CDF对吧，我们在概率里面的CDF。

就是说我们的数数据它整体是如何进行分布的，然后呢我们也可以绘制得到这种散点图，绘制得到散点图图之后呢，我们可以散点图，它是二维的对吧，我们可以绘制的它它绘制到它单维的。

相当于是它的边缘分布的密度直方图对吧，这个都是非常常见的一些画图方法，通过这些画图方法呢，我们就可以将我们的具体的一个数值，以及相关的资料呢，把它进行用合理的方法给他展示出来。

好额那么我们休息56分钟好不好，我们休息56分钟，然后继续我们休息到这个9。02，然后我们回来好不好，然后我们休息一下好，然后大家如果有什么问题的话呢，你可以在我们的一个聊天框里面打字，让我知道啊。

好我们休稍微休息几分钟好不好，好嗯然后我们准备回来额，然后各位同学对我们刚才所讲的内容，有什么问题吗，我看大家都比较沉默啊，如果大家有什么问题的话，也欢迎提问啊，因为嗯你有问题的话。

可能学的会更靠更快一些，不然如果你没有问题的话，相当于是嗯我相信呢可能你没有问题，但是呢如果你真的有问题的话，那可能就是第一时间提出来的效果会更好一些，对好，那么我们就继续好不好好，我们继续啊。

嗯然后呢，我们接下来看一看我们的一个特征，工程与实践啊，我们在做一个具体的一个嗯，具体的建模的时候呢，我们在进行具体建模的时候，其实我们是给到我们的一个数据，我们是需要构建一个具体的一个模型对吧。

那么这个具体的一个数据呢，其实我们的一个数据，它可能的一个类型呢是多种多样的，我们在这里面呢，其实我们是首先来看一看第一种数据类型，是类别类型的，类别类型的呢，就是说我们其实它是一个嗯非常常见的。

我们的数据的一个类型啊，就是说我们的数据字段它是这种类比特征嗯，比如我们常见的这种个人信息，性别，城市省份，民族户口类型，这个里面都是我们的具体的一些呃，类别类别的人，然后我们的颜色对吧。

颜色里面的取值有红色，白色等等等等，国家里面有具体的取值，中国美国对吧，然后我们的动物这个地方呢，其实我们需要注意，就是说我们的类别，它有一个具体的取值空间，这个取值空间呢就是它具体的一个。

就是说这个类别它能够取值的这个字符串，相当于是这个类别是一个sage这个集合，这个取值空间呢就是它的一个具体的一个元素，类别特征呢是我们在做数据处理的时候，在我们在做建模的时候。

任何特征任何时候都要做处理的一个数据，因为类别特征它往往都是这种字符串类型的，我们对一个具体机器学习模型啊，它是只能接受这种数值类型的一个计算，我们可以回想一下我们的线性模型，我们神经网络对吧。

其实它本质只能接受我们的一个数字类型的，一个数据，所以说类别类型呢，数据呢我们在做处理的时候呢，我们肯定是要把它做一个编码的好，另一类型的数据呢，它的一个具体的一个取值空间，它有大有小，对吧有大有小。

如果是小，我们都是就是说这个没什么问题，如果是比较大的话，就有可能有问题，这个地方的大呢，就是说如果一个类别它的取值是100，取值空间是一百一千一万对吧，也就是说取值具体的取值的可能性越来越大。

我们这个地方呢取值的可能性越大，并不并不一定是他的缺点啊，就是它原始数据集就是这样的，我们再做一个具体的这个取值，就是说我们在做一个具体类别，类型的编码的时候，如果这个取值空间非常大的话。

因为他这个特征呢我们叫做高基数特征，对于这类特征呢，我们如果做处理的话呢，我们就非常容易出现离散的一个数据，离散的数据就是说他是一个稀疏的啊，会把它处理成这种稀疏的高纬的一种情况。

而且对于我们的一个类别类型的这个字段呢，我们是很难对它进行一个缺失值填充的，如果他是有这个缺失值的话，我们是很难对它做一个填充的，因为这个比如我们某个学生，它的一个具体的一个性别作，有的也就是是缺失的。

那么如果是性别是缺失的话呢，我们是很难对它做一个填充的对吧，因为我们填充的话，其实很容易就把它填充错误了，在我们的类别类型的里面呢，我们是有这两类，一类是我们的一个无序类别，一类是有序类别。

无序的呢就是我们的具体的一个取值，它的一个次序它是没有这种大小之分的，也没有这种就是说这种关系啊，就相当于是相互平等的，如果是有序的类别，就相当于它的具体的取值是有这种大小关系的，你觉得他的取决于这种。

相当于是比如说这种情感强弱，或者说这种我们的一个得分的情况对吧，嗯是我们的硕士本科硕士博士对吧，对，具体的一个学历的一个从低到高对吧，还是有序的，那么我们在做一个具体的一个编码的时候呢。

我们这个地方是给大家讲一些比较基础的啊，先给大家讲一些比较基础的编码，我们首先呢给大家创建了一个data frame，这个data frame呢就是一个我包含了这个学生的id。

学生的一个国家education教育信息，以及我们的一个目标编码，这个target就是我们的啊，这个target就是我们的目标啊，应该是我们的一个标签，其他的列就是我们的一个具体的一个。

学生的一个基础信息，然后我们就用这个表格来完成，我们的具体的一个类别特征的一个编码，对于我们类别特征的编码其实是有非常多的啊，这些具体的编码方法的，那么我们只挑选里面非常典型的给大家讲啊。

其他的呢我们其实用到的场景会很少，首先呢我们来看到看到的是这个one one hot，完后程呢它又称作叫做独热编码，独热编码就是我们对这个具体的一个嗯，一个取值。

把它转成这种one or k is hot的这种形式，这个K呢就是我们的具体的一个类别，它的一个取值的个数，取出空间的大小，比如说我们这个地方的education，对于education这一列。

我们就对它进行编码的话，如果它原始的话是有三个取值的话，我们对它进行编码之后，我们的这一这一列就把把它转成了一个三列的，这种情况，三列，那么玩hot呢。

这个地方它原始的这个学生他是一个master education，是等于master的，那么这个地方我们在做one hot之后，他就转变成了一个1×3的这一个，行向量的吧，我们相当于是增加了三列。

然后在这一列把它复制为一其他位置复制为零，那么类似的其他学生的一个信息呢，也是在某一个位置是一其他的位置是零，one hoch这种形式呢，它是相当于是把我们的一个原始的一个字段，把它展开了展开了。

相当于是每一列，每个取值做的这种二进制的编码完，或者呢比较适合用在这种线性模型里面，它比较适合用在这种无序的类别，做一个编码的时候，因为我们在做完one horse之后，我们的一个类别的取值的一个大小。

仍然是相互平等的，比如说我们这个地方，00010001和100，这是我们的本科硕士博士，他具体在做编码之后转得到的向量，那么他之间的距离仍然是相互平等的，相同的对吧，仍然是保持着这个无序的王后合成呢。

它的一个优点，就是说他在做编码的时候是非常简单的，是能够直接将我们的类一个类别特征，进行有效编码的，但是呢它的缺点就是说，它很容易导致我们的一个维度会爆炸，假如说我们这个字段。

它的一个取值空间是100的话，我们做完完后之后，这个维度就增直接增加了100，然后呢再增加一维度，增加的同时呢，我们的具体的一个数据集呢，也会变得非常稀疏对吧，这个地方相当于是三列里面。

只有相当于是1/3的数据是非非空的，如果这个具体的取值是取值空间，非常更大的情况下，我们的这个系数性会更加稀疏，我们在这个具体实现的时候呢，我们可以从pandas的get damain函数。

或者说从SKN的one hot encoder，来做我们的一个具体的一个编码，就是one hot编码，第二类呢是我们的label encoding，Label encoding，就我们标签编码。

标签编码呢它是将我们的一个具体的一个类别，把它用一个独立的一个数值id做一个转换，这个地方呢就是说我们把这个具体的country china，编码为零，USA编码为一，UK编码为二，JPM编码为三。

以此类推，他呢他那个方法呢，就是说我们的一个具体的一个操作呢，Nel encoding level encoding，原始的具体的一个应用场景，就是对labor做的，就是对我们的一个标签做的。

这个地方呢我们的label label coding呢，它也可以对我们的一个字段做一个编码，我们字段我们可以把它编码为具体一个数值，也就是说我们用一个具体的数值来代替，它原始的字符串的一个取值的情况。

这个地方我们的一个label encoding呢，它比较适合在数模型里面进行使用啊，比较适合在数模型里面进行使用，它的一个优点，就是说它不会增加这个类别的一个维度嗯，就是说我们的原始的这个具体的一个呃。

字段是一列的，我们在做一个编码之后，它仍然是一列对吧，它不会增加我们数据的维度，LIBENCODING比较适合用在有序的类别，就是说如果是原始是这种，有有这种大小次序的话。

我们在通过label encoding编码之后，他仍然也会保留这种次序啊，Lil encoding，如果在做一个编码的时候，你没有指定它的大小次序的时候，他可能是进行随机编码的这个地方。

我们第一个出现的一个取值是china，china是零，相当于是我们把它第一个出现的这个取值，把它编码为零，第二个编码为一，使用这个出现次数，他的一个先后来求编码对吧，其实这个地方。

如果我们没有指定它的大小关系呢，这种编码方法，它就会改变我们的一个取值的一个大小关系，相当于是破坏他们之间的一个次序啊，在我们使用label encoding的时候呢。

我们可以用pandas的factorize，或者说用s client的一个label encoder来做一个操作，我们还有的呢就是我们这种BENCODING2进制编码，二进制编码呢。

就是说我们在做一个编码的时候呢，我们可以对某个字段类似的，也非常类似我们one hot的这种操作，我们可以把它转为这种二进制，把它转，先把它转为一个编码，比如说先把它使用这种label encoder。

作为转成一个具体的数值，然后转为数值之后呢，然后把它进行一个二进制二进制的编码，好，binary encoding呢，其实它的一个操作，其嗯就是说跟我们的一个one hot是非常类似的啊。

他但是呢他也会，他会也会带来这种次序的改变啊，因为one hot他其实是没有改变这种大小的关系的，但是呢这种binary coding呢，它其实是加入了这种大小关系的一个嗯。

就是说改变的barry encoding呢，它的可以视为这种完后台一个替代品啊，就是整体的一个维度会变变得更加低一些，还有一类呢是我们的一个frequency encoding。

或者说叫做我们的一个count encoding，它的一个具体的操作呢，就是说我们是可以把这个具体的某一列的，一个具体的取值的一个次数，用来做它原始的一个编码，在这个地方。

我们如果是对我们的这个country，这一列做一个编码的时候，china出现了两次，我们把它变某一二，UC出现了两次，我们也把它编码为二，UK呢出现了一次，我们把它编码为一。

就相当于是用这一列这个具体取值，它出现的一个次数，然后做一个具体的一个嗯，相当于一个替代啊，这个就是我们的一个具体的一个操作，content encoding或者fency encoding呢。

你还可以做把它换算成频率啊，就不不仅仅是次数啊，把它换算成频率也行，content encoding呢，它的一个操作其实是嗯，有点像基于这种上帝视角，也就是说它不是基于某个样单个样本。

它是基于整体的某个字段做一个统计的，所以说呢这种统计的方法呢，它比较适合我们的一个嗯，就是说分布一致的情况下，比较适合这样进行操作嗯，这也是它的一个缺点，就是说如果分布不一致的情况下。

我们的一个counting coding，他得到的结果就不一致了，比如说我们的训练集，和我们的一个具体的测试集，如果他两个字段的一个取值的分布是不一样的，话对吧。

那么你在这个地方做content encoding，其实它的一个具体的一个结果，就会存在一个冲突，就会存在一个冲突，好抗体口令，那这个优点呢就是说它是非常简单的，不管是有序编码还是无序编码。

都可以用来进行使用啊，都可以进行使用，好我们继续，那么coding coding呢在做具体的实现的时候呢，我们就是用这个嗯就是统计它出现的次数啊，不管是用value counts啊，还是用什么方法。

同样的算的次数就行了，好还有一类呢就是我们的一个target encoding，target encoding呢就是我们的一个具体的一个操作呢，就是我们是统计一下我们的具体的这个字段。

它对应得到的一个标签，它的一个具体的一个取值的一个情况，这个呢就是我们在做一个具体的一，个操作的时候呢，比如说我们对我们的一个CTRL字段，做一个target encoding。

如果是对我们的CTRL字段做一个targeting coding呢，我们其实本质就是对我们的一个数据集呢，我们是统计一下这个count字段，它对应的一个label的一个取值的情况。

比如我们的一个contest的china，它对应的一个label对我们的大get it分别是多少，一和零，我们对它取出一个均值就完了，然后就得到0。5对吧，USC0和一，然后求一个均值也是0。5。

这个地方呢，其实本质就是对我们的一个类类别取值，它对应的一个标签的一个关系，相当于是求它的一个均值啊，求一个均值，具体的一个实现呢，就是说我们对客户端我们的某一列，然后求它对应的一个标签的一个均值。

然后就得到他的一个具体的一个标签编码，标签编码其实它非常非常适合用在什么场景呢，就是说我们这个地方的标签编码，其实得到的一个结果，有点类似于一个具体的一个均值，或者说一个先验的一个概率。

我们的一个具体的一个，它到底是什么含义呢，就是说我们在做一个具体建模的时候，其实我们的模型是很难去理解他，这个china到底是什么含义的，但是如果这样说，CTRL等于china的同学。

他的一个具体的一个标签，整体是等于有可能是零点，就是说0。5的，那么这样呢是更加有意义的，这个就是我们的标签编码，它其实是让我们的一个模型来，学习起来更加容易，但是呢他给人1coding。

他还有一个缺点，就是说它可能会让我们的一个标签信息，标签信息呢给他泄露出来啊，因为这个地方我们的一个具体的一个看一看，我们这个UKUK呢，这个地方我们只有一个一位同学。

这个地方我们如果是把他这种标签编码之后，其实本质我们是会将我们的一个具体的一个嗯，标签信息给他泄露出来对吧，我们相当于是直接把他的标签给它编码进来，它其实是非常容易过滤活的。

因为它其实是将我们的一个标签性，标签信息呢给它泄露出来，它的具体的实践方法，其实本质也是这种次数统计啊，分组聚合做次数统计就行了，好那么在我们的一个具体的一个嗯，就是说类别特征的编码的时候呢。

就非常建议做这种one或车啊，never encoding啊，count encoding啊，和MENCODING，这四类编码，就基本上是可，就说可以涵盖大大部分的场景的啊，好，然后呢。

如果我们是有这个具体的一个，数值类型的特征呢，其实我们也是需要做一个处理的，数值类型的特征呢，它也是在我们的日常生活中，非常非常常见的数值类型的特征，我们有这个年龄乘积，经纬度对吧。

它都是我们的一个数值类型的特征，数值类型的特征呢，它其实包含的一个信息量会更多，因为它的取值的一个克数其实就是会更多，但是呢它会存在一个具体的一个缺点，就在于数值类型的一个字段呢。

它很容易出现这个异常值和离群点，好我们对于数值类型的特征呢，我们怎么做一个编码呢，首先是可以做一个缩放和取整，缩放和取整这个其实是非常常见的，我们如果是对于这个地方，我们新加了一列A级，这一列。

A级这一列就是我们的一个嗯年龄这一列，如果对于年龄这一列，我们其实是可以把它做一个统，具体的一个提取它的一个信息的，edge这一列它原始的取值是34。5，28。9，19。5，23。6对吧。

那么这个地方我们是可以对我们的A级字段，做一个相当于是把它做一个取整，34。0，29。0对吧，把它转变成一个整数，或者说把它除以一个十，然后把它转成整数做一个缩放对吧。

那么这个地方为什么要做这样一个缩放呢，为什么要做这样一个复缩放呢，其实这样一个缩放的目的，相当于是我们是将这个具体的数值，它的一个绝大部分的一个信息给它保留下来，年龄是我们相当于是把它的一个数值的。

一个主要的一个信息给他保留下来，因为这个地方我们34。五二十八。9，其实这个数值它的一个信心其实是非常多的，在这个地方呢我们的信息越多，其实并不一定表明它的一个效，最终的效果是越好的。

因为我们的一个信具体的一个信息，它是越多的情况下，我们的模型反而更难去寻找得到这些这个字段，它的一个共性，如果我们是把它做了一个缩放之后呢，比如说这个地方34。5把它转为三，28。9，把它转为二对吧。

相当于是这个地方相当于是小于20岁的，一的一个取值是小于20岁的二的一个取值呢，就是小于30岁的对吧，那么如果是通过通过这样一个一种缩放，你就会发现我们的一个具体的一个取值，它就会更加有意义，它会。

它其实本质是，将我们的一个大部分的信息给他保留下来，为何日本是零，英国是一嗯嗯这位同学哦，在这吗，UK啊，是是说的这个图是吧，japan他的一个具体的标签，它就是一个对应得到的是零啊，就一个零啊。

然后他的一个均值不就是零吗，UK的话，它的一个具体的一个就是说取值就是一啊，一个一啊，然后他的标签就是一啊，我们这个地方就是china，它有两个一和零，然后求一个均值，就是0。5嘛，就是这样的一个操作。

对其实就是这样的啊，应该是group by我们的country，对我们的country具体的取值做一个分组，然后求求它的一个对应分组，下面的target是一个均值，是这样一个含义，好。

嗯然后然后我们就继续啊，对于我们的数值呢，其实我们还可以做一个非常常见的操作，就是做一个分享，就是对于一个数值呢，我们是可以把它啊划分到大于某个取值，小于某个取值，比如说我们对我们年龄。

我们可以把它划分是不是小于20岁，是不是位于20岁到25岁，是不是位于25岁到30岁，是不是大于30岁，这样按照这些具体的逻辑把它做一个分享，这样呢其实是非常常见，也非常有效的一种操作。

它其实是可以将我们的一个数值的一个特征，把它做一个离散化，但是呢它其实这样的操作呢是需要人工参与的，需要人工进行参与的，所以说呢它其实是这个代码，其实我们需要手写的啊，就是我们的这个具体的划分的方法。

其实是需要人工智能参与的好，我们在做一个具体的数值的一个操作的时候呢，其实我们也是需要将我们的一个也要考虑到，我们的具体的数值，是不是嗯需要做一个具体的一个缩放，这个缩放呢，其实本质呃。

是可以把它视为我们的具体的一个额，数据预处理的步骤，数据预处理的步骤，因为我们的具体的数据集呢，其实这个数值啊，它往往就是嗯不一定是我们的一个具体的一个，呃就是嗯一个比较规整的范围。

我们其实呢是需要把它进行，转换到一个规整的范围内，我们在进行一个如果是把我们的具体数值，把它转换到一个规定规整的范围内之后呢，我们可能对我们的一个模型建模也是更加方便。

它就是说我们的一个模型它更容易收敛啊，以及我们的模型它更容易进行一个训练，这个地方呢我们的数据的一个归一化方法呢，其实有很多啊，常见的就是说我们用这个最大值，最小值做一个归一化。

就是说我们给定一列这个字段，给定这一列这个字段，我们给定这一列这个字段的情况下，我们是可以用这一列它的一个，这里面的一个最大值和最小值做一个规优化，也就是也就是我们有一个这个具体取值，减去的最小值。

然后除以最大值减去最小值，这是我们的一个极差对吧，整体做一个转化，我们利用这个最大值最小值做一个转换，它的一个处理呢是比较适合，用于这种非高斯的分布，可以保留绝大部分的数值的一个信息。

但是呢它非常容易容易受到这种异常值的影响，因为我们的一个最大值和最小值，往往都是我们的一个异常值对吧，很有可能是我们的异常值好，那么如果是这种嗯，比较出比较类似于我们高斯分布用的。

我们就比就比较建议是我们的这种standard scale，这种相当于是一种标准化，标准化，就是减去我们的一个具体的一个均值，除以我们的方差，减去我们的均值除以方差，这样的处理。

它比较适合用在我们的高斯分布处理之后呢，我们的数据集会更加正态化，它就就比较适合用在我们的一个高斯分布的，这种正态分布或高斯分布的这种情况好，还有一类就是我们的max abs。

这个地方是也是非高斯分布啊，这个打错了高斯，我们的max abs，就是我们的一个具体的一个数据集呢，他在做一个处理的时候呢，是用一个绝对最大值做我们的分母，绝对最大值做我们的分母。

这个具体的数据值的一个预处理的这个操作呢，在我们的sk learn里面，有非常多的一些具体的实现啊，嗯如果同学们感兴趣的话，可以在SKN里面，SKHN里面找到更多的啊。

在我们的secret name的一个proposition里面，模块里面，其实这里面包含了很多的一些，我们的一个数据类类别类型的一个编码，以及它的具体的一个数值类型的归一化方法，如果你还感兴趣。

或者说想学得更加深入的同学呢，可以建议把这些SK的这些具体的一些方法，它的文档好好看一下，这些文档里面都写得非常精，非常非常精简啊对吧。

Scare each feature by its maximum，Absolute value，就相当于是绝对最大值对吧，做一个除法，这个其实都是非常简单的一些就是文档啊，如果你感兴趣的话呢。

也非常建议学一下好，我们在做一个具体的一个处理的时候呢，我们其实本整本质还可以做这样一个操作，我们遇到的一个数据集呢，它很有可能是这种日期类型的，日期类型的呢，就是说我们这个具体的数据集这个字段啊。

它是带有这种时间信息的，如果是带有时间信息的话呢，我们其实是非常建议，你可以把这个具体的一个时间信息，把它抽取出来，比如我们可以统计一下这个时间信息，它当前具体的时间信息，它是哪一年的哪一个季度的。

或者说哪一个星期的哪个节假日的哪个小时了，是不是早高峰，晚高峰，以及它可以跟我们的一个历史的一个均值，做一个对比，这个历史的一个均值，就是说我们历史的一个统计值，比如说统计一下。

他跟历史的一个平均值做一个对比，历史的一个最大值做一个对比，历史等于我们的一个嗯，嗯某个分位数做个对比对吧，这个都是可以做，这些操作呢都是对于我们的一个日期类型的，一个字段可以做这样一个操作。

当然我们还有一类呢，就是说我们可以做一个交叉特征，交叉特征呢，就是我们是可以将两个字段做一个交叉构建，得到一个新的特征，这个其实也是嗯非常常见的交叉特征，其实非常常见的交叉。

就是这种加减乘除或者笛卡尔集对吧，那么这个其实可能会有一点点难度啊，因为我们在做这个交叉的时候呢，其实不同类型的特征，就是它做交叉的方法可能不一样，我们一般情况下对于相同类型的特征，相同类型的特征。

就是说他如果是具体的一个取值，假如说我们有两列，我们之前讲的数据集，一个是我们的bathroom，一个是我们的bedroom，还有一列是我们的price，这两列是我们房屋的个数。

不管是厕所的个数还是房屋的个数，这一个取值是跟金额相关，跟钱相关的对吧，这两个是类同类型的，这个跟这两个不是同类型的，那么同类型之间是可以做加减除，或者笛卡尔级的家是什么意思，就是说这个房。

这个房屋它到底包含了多少个房子，多少个房间，就是说把厕所和卧室都算上对吧，除了就相当于是平均每个卧室，可以平摊多少个厕所对吧，如果是不同类型的话呢，可以做乘或者做一个除，比如说做除法的话。

就是price除以bathroom，平均每个厕所他多少钱，平均每个卧室多少钱对吧，这都是有具体含义的对吧，当然你也可以做一个聚合的人，就是说先分组聚合再做同款，比我们在做做这个地方其实是做这样一个操作。

grp by我们的一个bedroom，然后求一个price的一个平均值，这个操作叫做什么，对我们的bedroom进行分组，然后统计一下相同bedroom下面，哪个房子的一个价格的一个平均值。

这个就是一个分组聚合，其实本质就是一个聚合特征，一个聚合特征对吧，那么我们在做一个具体统计的时候，我们可以统计一下相同房子，相同，我们的卧室个数情况下的一个价格的平均值，跟你这个当前房子的价格相比。

它到底就是说嗯价格是高的还是低的对吧，都可以做这样一些操作，这个呢就是聚合特征，那么还有一类特征就是我们的link特征，就是信息泄露的特征，就是我们是个具体的数据呢，它可能嗯有一个特征呢。

是跟我们的标性强相关的，但是呢这个特征它又没有什么具体的含义，就是它是一个立特立个特征，比如我们在进行一个建模的时候呢，如果我们的数据集啊，它是按照这个嗯有这种先后次序的，这种嗯整理。

它可能是将我们的一个相当于是先去整理，我们的一个标签热度为高的样本，然后再去整理我们标签热度为中的样本，然后再去整理我们标签热度为低的样本，那么在这个地方，我们就可以从我们的一个具体的一个房屋的。

一个图片的一个创建时间，从这个维度确定，于是去反推得到我们的原始的标签的对吧，其实这样这个就是非常非常很典型的，就说我们这个这个信息，是跟我们的标签墙相关的，但是呢，其实它是由于我们构建数据集。

所带来的一个误差，它并不是我们的原始数据，它内部分布的规律对吧，这个呢就是说是一个leg特征，它是跟我们的数据集构建的过程中，强强强相关的，但是呢并不是我们的原始数据集，它嗯真实的一个分布的规律。

那么在我们讲完这个特征工程之后呢，希望各位同学能够问问一问自己这三个问题啊，就是说你真的掌握了上述的特征工程的，方法了吗对吧，到底美内特征工程具体用在什么样的场景呢，它具体具体的一个优缺点是什么呢对吧。

这是第一个思考的点，第二个就是说我们的具体的一个，我们的一个有非常多的一些具体的一些，机器学习模型，我们的具体继续学继续学习模型，它能够学习到什么特征，以及它到底能够不能学习到什么特征，对吧。

这些都是我们的一个需要思考的，因为我们在做一个具体思考的时候呢，其实我们现在有非常非常多，非常多的一些机器学习模型，我们也有非常非常多的一些特征工程的方，建模方法，那么我们是需要去思考的。

是不是所有的特征工程，在所有的模型下面都是需要做的呢，或者说什么样的模型，适合做什么样的特征工程呢，对吧，这个都是需要说清楚的，或者说我们是需要人工，是不是需要人工做的特征工程呢对吧。

这个都是我们在做具体实践的时候，要做的一些问题，第三个呢就是说如果是立面的特征，我们如何做特征工程，匿名特征就是说我们这个特征的一个具体，具体的这个含义，我们都不清楚，含义我们都不清楚。

那么这个地方我们就是如何，对于一个你都不清楚具体含义的一个字段，我们怎么做特征工程，这个也是需要你关注的，我们接下来看第三部分啊，我们的一个模型的训练与验证，然后讲完这部分呢，我们就有具体的一个代码。

然后给大家，然后来实践一下，对于我们的具体建模的时候呢，我们的具体数据集啊，其实它是需要做一个划分的，我们在之前的一个呃基础的课程里面，或者说在我们的一个机器学习的教材里面呢，我们都经常有啊。

我们是可以将我们的数据集把它划分为训练集，验证集和我们的一个测试集，训练集呢是我们是将它用于我们的一个，模型的训练和参数的更新，验证集呢是把它用在我们的一个模型的，具体的进度验证和参数的选择。

测试集呢是用来最终验证我们的模型的精度，我们的一个具体的验证集呢，其实是可以从我们的一个训练集拆分得到的，这个验证集，它是非常非常关键的，而且这个验证集呢它的一个具体的一个作用呢。

就是可以用来对于我们的验证，就是说这个模型的训练过程，实时的进行一个反馈，我们的一个模型呢其实它在进行建模的时候呢，分为两种状态啊，欠拟合过拟合过离合，就是说我们的模型在训练集上的一个精度较好。

这样我们的一个泛化的时候，在我们测试集上的精度较差，欠拟合就是说在模型的训练集的一个进度较差，在我们的测试集上面的进度也较差，一般情况下，我们的欠拟合是，就是说是可以通过增加模型的复杂度来避免的。

过滤后是无法避免的，我们的具体给定一个数据集的情况下，我们的一个数据集的一个复杂度，和我们的一个模型的复杂度是要匹配上的，数据集是比较简单的，那么你的模型也尽可能比较简单，也不能过于复杂对吧。

这个地方就是过于复杂的情况好，那么我们的数据集嗯，给定数据集的情况下，你的模型也不能过于简单，你不能不能就是说是个线性模型，这个线这条直线就过于简单了对吧，我们这个地方这条曲线。

往往就是它能够最为满足我们要求的，那么我们在做建模的时候，我们非常建议大家做这种art stop这种操作，这个操作就是说我们在进行训练的时候，我们是可以绘制得到两条曲线。

这个地方我们相当于是不断增加数模型的深度，我们可以绘的绘制得到两条曲线，一条曲线是我们的训练集的误差，另一条曲线是我们的验证机的误差，那么在这个地方呢，我们可以得到两条曲线之后呢。

然后去可以看一看我们的一个模型，它在我们的一个，最低验证机精度的时候，这个是我们想要的一个位置，因为在这个地方我们的一个模型，它很有可能是能够取得得到最好的，泛化精度的时候对吧。

在我们的验证机上取得最好精度的时候，所以说我们在训练的时候呢，是不断不断的去观测我们的模型，在我们的一个训练集上的精度，和我们的验证集的进度，然后选择在最优精度的位置的时候停止训练。

这个呢就是我们的2stop2stop，它其实是非常非常有效的一种，缓解过滤活的方法好，当然也有其他环节固定化的方法，数据库建正则化以及增加随机性都是啊，就是也是缓解过缓解过滤好的方法。

当然alt stop是比较有效的好，我们接下来呢，然后就是嗯，看一看我们的一个具体的代码实现啊，在我们的一个机器学习的实践部分呢，是非常推荐大家用这个Python。

再加上pandas来做一个具体的实践啊，好我们来看一看，首先呢是我们的这个特征编码的这一部分啊，这一部分呢其实我们在这个嗯，我们PPT里面呢也给大家讲讲了啊，然后我们就就是大致给大家看一下啊。

对我们的这个具体的字段，我们就是传入把它传入进去啊，这个地方我们具体的就是原始数据集，就是一个data frame，把它传入进去就可以做一个具体的编码，好这个编码之后呢。

这个其实是一个data frame，这其实是一个long派的area啊，它不是一个data frame啊，然后呢我们在做一个学习的时候，其实是要关注到这个具体的数据类型的啊，这具体的编码呢。

然后大家可以自己下去看啊，我们在做一个具体的一个特征工程的时候呢，其实我们有些时候还是需要知道，我们的一个特征的重要性的特征的重要性，特征重要性是用来做什么呢，就是说我们是可以用用一个具体的一个取值。

去衡量我们的一个特征，它的一个具体是不是重要，在我们的一些数模，在我们的一些模型里面呢，其实我们可以用模型的一些具体，具体的一些统计值，用来反映我们的一个模型是不是重要的。

比如我们在这随机森林的一个回归系里面，我们如果用它训练完成之后，我们可以在我们回去森林回归器里面的，一个feature importance字段可以找到，就是说他具体它输出的就是每个字段的一个。

重要性的一个排序，这个地方如果我们绘制得到一个直方图，这个直方图就是说RM和LSTAT这两个字段，是在我们的这个模型里面认为是最为重要的，好那么这个地方特征重要性呢，其实它的一个输出结果啊。

这个地方的输出结果是一个小数，对于数模型而言，它往往都是用我们的激励指数，或者说我们的一个信息增益这个字，这个字段所带来的一个信息增益，来作为它的一个重要性的好，那么类似的一些其他的一些数模型呢。

也都是有这个feature importance的一个实现，比如我们的一个LEGBM，或者说我们的一个具体的一个嗯，这个嗯随机四零，或者说我们的x g boost，都是有这个我们的一个特征。

重要性的一个实现的好，那么我们接下来呢来看一看我们的具体的一个，就是说to seem to西格玛这个具体的一个比赛，我们怎么做一些特征的啊，然后这一部分呢可能就是说嗯，嗯希望各位同学跟着我的一个节奏啊。

然后来看一看，我们如何把这个具体的这个这个数据集，我们一步一步做一些特征，然后才让他参与我们的一个训练，首先呢我们读取我们的数据集，这个地方读取数据集呢，我们直接是用我们的一个pandas。

然后read csv，然后完成一个读取，读取完成之后呢，我们接下来就可以完，完成一个具体的一个操作啊，这个操作我们先讲比较，就是说关键的啊，就讲这一部分啊，对于我们的一些字段呢，其实我们是可以考虑。

就是说很多角度对他进行统计啊，我们的这个呃FOTOS，其实它是原始是的这个list类型的，这个list类型呢就是说是这个图片的一个URL，对于这个photos我们可以统计它原始是一个list。

我们可以统计到什么特征呢，就是它的一个具体的历史的一个长度，list的一个长度，那么这个list的长度呢，我们就可以相当于是视为它的具体的一个，具体的取值这个数啊，取值个数好，然后呢。

这个features其实它也是一个类似的类型的对吧，然后呢，我们这个地方，其实我们也是可以统计它具体的一个个数，然后这个description，description它是一种文本类型的，文本类型的呢。

我们这个地方就取值，统计一下它到底是拥有多少个单词，这个地方怎么做统计呢，我们就是对它进行一个使用，我们的一个空白符进行分隔，然后统计一下到底有多少个单词就行了对吧，然后如果是这种created的。

它是一个时日时间类型的，那么对于时间类型的我们怎么做，把它转为data data，data time之后，然后提取它的一个年月日年月日对吧，这个呢就是我们的具体的一个相当于是，日期类型的一个统计。

当然我们也可以做这样一个统计，就是我们刚才所讲的这个交叉的一个特征，统计一下，每个bedroom平摊的一个具体的一个价格，每个bathroom平摊下的价格，每总共有多少个房间对吧，等于是这两者相加。

就是总共有多少个房间，我们bedroom和bathroom进行相加，以及我们平摊每个房间的一个价格，每个房间的价格对吧，这些都是我们可以做的，那么这些操作都是非常有用的一些字段啊。

就是它是嗯将我们的一些原始的一个数据，进行一个交叉计算，得到我们的一个新的一个字段，那么我们在做一个交叉的时候呢，你其实是要考虑啊，并不是说所有的字段都可以做一个交叉，这个地方的交叉呢其实也是遵循咨询。

就是说我们PPT的一个规律啊，就是同类之间可以做加减，同类之间可以做除法，但是同类之间一般不做乘法啊，不同类型之间可以做一个除法好，然后呢对于我们的一个具体的数据集呢。

我们其实是可以做一个target encoding，这个地方呢一个target encoding呢，可能就稍微有一点点复杂，我们在原始的数据集里面，我们有一个叫做manager id这个字段。

mani id相当于是一个中介的，一个中介的一个编号的吧，中介的编号，这个地方，如果我们是想要对这个manager id做一个target进行coding，我们怎么做呢。

非常建议用这种五折交叉验证的方法来做，五折交叉验证，是这样一种方法啊，我们把我们的数据集划分成五份，五分，这是我们的第一折，这是一折，这是我们的第二折，这是第三折，第四周，第五周，在第一折的时候。

我们用这个做我们的验证集，然后其他当做我们的训练集，这也就是说这个地方这是我们的VAL，第二折的时候，我们用这一折当做我们的验证器，第三折的时候，这是我们的验证期，第四折的时候，这是我们的验证器。

然后第五折的时候，这是我们的验证期，在每一折我们用到的验证集不一样，然后训练集也不一样，这是我们的交叉验证啊，相当于是我们把我们的数据集拆分成多份，然后把它进行划分成这个地方，划分成五份之后。

我们就需需要迭代五次对吧，那么这个地方跟我们的这个target encoding，有什么样的一个区别呢，或者说有什么联系呢，这个地方，我们的targeting encoding。

其实是很容易出现标签泄漏的一种情况，其实是很容易出现标签泄漏的，你可以设想一下，我们刚才在PPT里面所讲的那个例子，如果一个manager它对应的一个样本就一个的情况下。

那么在这个地方我们如果是做一个targeting coding，我们其实很容易的就可以将就，很容易将我们的一个具体的一个对应的一个target，对应样本的一个标签给泄露出去对吧，那么所以说在这个地方呢。

我们在做一个targeting encoding的时候呢，我们其实是可以把数据集，把它划分成训练集和验证集，训练集的一个manager指对训练集的，就相当于是我们对训练集的数据。

对它进行manager的一个统计，然后对训练集的一个数据部分对它进行编码，然后验证集的呢我们就不做编码，或者说我们的一个测试节目不做编码，我们在是一折的时候，我们的一个验证集是这样的。

然后下一折的时候对吧，如果是他是划分到中间的时候，这个就是我们的验证机，然后我们的训练集又不一样，训练期又不一样，也就是说我们在做一个进行分组的时候呢，我们是对我们的一个数据集进行一个划分，不同折之后。

然后再去统计不同折下面的一个manager的一个，具体的一个取值，这样呢其实是增加了我们的一个平均性啊，它也不会将我们的一个原始信息给他泄露出去，这个就是我们的一个相当于是加入了这种。

交叉验证的target点口令，在写的时候稍微有一点复杂，也就是说我们在做一个具体统计的时候呢，我们是对我们的训练集划分成两部分，一部分呢就是我们的一个训练的一部分，是我们的一个验证的。

然后在训练的部分呢，我们去统计一下我们的一个具体的一个manager，它对应的一个相当于是他的interest level，然后呢对于我们的一个测试集呢，相当于是我们用我们的训练集统计得到的。

manager的一个统计情况，对我们的一个测试集的结果进行一个编码对吧，然后呢如果是下一折的话呢，我们就是用下一部分的M训练的部分，进行一个统计，然后对下一部分验证集的一部分，进行整体的编码对吧。

验证于是每折的时候，我们的一个具体的一个计算，和我们的统计是不一样的啊，再来画一下123啊，就画四折啊，不行不行不行，在第一折的时候，用这一部分计算我们的一个target encoding。

对这部分进行编码，下一节的时候用这一部分计算，我们targan coding对这部分进行编码，也就是说在进行编码的时候，没有自己对自己编进行编码，原始的一个targeting in coding存在。

自己对自己进行编码，但是这样呢我们相当于是用交叉验证的方法，对，相当于是我用这部分做统计，对其他的数据集作为编码，那就不会存在这种标签泄露的情况，而且这样的操作呢，其实是非常非常建议去做的啊。

也非常有效的好，我们这个地方呢是可以对我们的有manager id，做一个target encoding，当然也可以做我们其他的一个building。

building id的一个tacting coding，这个都是可以做的，我们做完之后呢，也可以就是说统计其他的特征，比如说我们到底就是嗯我们的一个房房间，他的一个提就是说他的一个嗯发布的时间。

具体的一个天数，具体的月数，以及我们将我们的一个价格，除以我们的一个经纬度鉴定，是同相同经纬度下面我们的相同位置，下面我们的具体的一个房子的一个价格，这个都是可以做一个具体编码的。

然后呢我们对于这个具体的一个特征，把它处理好之后呢，然后如果是类别类型的特征，我们就直接把它做一个label encoder对吧，把它做一个label encoder，做一个编码。

如果是其他类型的特征呢，我们尽可能是把它转为我们的一个数值类型，转为数值类型之后呢，我们接下来就可以直接把它，用我们的一个模型进行训练了，这一部分呢其实呃是用到了TFIDF啊。

我们在之后的课程会给大家讲，其实它原始的数据集呢可能是这种嗯，这种文本类型的啊，我们是提取它的一个TFIDF特征，然后对它进行一个嗯拼接到一起好，拼接到一起之后呢，我们接下来就是有一个交叉。

五折交叉的训练，这个交叉训练其实跟我们刚才讲的是一样的啊，这个地方我们是用k fold，把我们的数据集划分成五份，用其中的四份做我们的训练，然后用其中的一份做我们的验证对吧，五折交叉验证。

五折交叉验证的一个优点，就是说我们这个地方其实是最终训练，得到五个模型，我们对这五个模型呢，我们是可以对这五个模型，分别对我们的一个测试集做一个预测，然后可以对我们的一个测试集的结果。

就行进行一个求平均对吧，就行求平均，然后就可以得到我们的一个测试及预测结果，的一个均值对吧，这个其实整体而言都是非常简单的好，当然如果是想要对我们的这个具体的数据集，你就是做的比较好的话呢。

你也可以嗯参考我们的第二份代码啊，就是说你可以对我们的数据集，进行相关的处理啊，这个处理操作整体都一样啊，这个地方只不过我们在这个地方呢加入嗯，一个叫做stacking的一个操作啊。

stacking的操作我们在进行模型训练的时候呢，其实我们是可以通过我们的一个五折，交叉验证嗯，可以得到我们得到一个新的一个特征，假如说我们划分成四份啊，四份就是四折。

每折的时候我们得到的用到的验证机不一样，我们训练得到四个模型，这个四个模型，它分别对我们的验证集做一个预测，把我们的验证集我们把它拼接到一起，这个拼接到一起之后。

就是我们的模型对原始训练集的一个预测结果，这个就是我们模型，对原始训练集的一个预测结果，那么类似的，我们也可以对我们的一个测试集，有一个预测结果，我们也可以有对我们的测试机有一个预测结果。

那么这样呢这个新加的一维特征，我们是可以再把它进行啊，进行一个二次训练的对吧，这个操作其实叫做一个stacking，它基于我们的五折交叉验证，我们五折交叉验证可以得到我们的五份，这个地方其实是四份啊。

四份验证集的一个结果，我们把这四份验证集的一个结果进行一个拼接，类似的，我们的四个模型，可以对我们的测试集进行一个预测，结果也可以得到一个新的一列新的一列，那么这个地方我们的具体的数据集。

我们是可以得到训练集的一个新增的一列，我们的测试集的新增的一列的一个标签，我们可以将这个标签把它进行一个二次建模，也就是我们这个地方代码所写的，我们对我们的一个交训练的过程，代表交叉验证的过程。

这个地方对我们的通过五折交叉验证，可以对我们的数据集进行一个得到，我们的一个模型，它的一个具体的一个训练集的预测结果，以及我们测试集的预测结果，然后我们定义多个模型，那么以此类推。

就可以得到多列的一个训练集的标签啊，多列的训练集的一个特征，以及多列的一个测试集的一个特征对吧，我们接下来可以把这多个模型这个地方有，我们有这个随机森林啊，阿达boss啊，叉g boost。

这具体的一些我们的一个嗯模型它的一个特征，新增的一个特征呢把它拼接到一起，然后再做一个二次训练，这个S训练，其实就相当于是有点像这种堆叠的过程，我们这个新增的一列特征，就是我们之前的模型。

对我们的一个训练集标签的一个预测结果，以及对我们的测试集标签的一个预测结果，我们接下来学习呢其实学习的是一个残差，也就是我们之前这个模型跟我们的一个，这是我们的测试结果。

和我们的一个真实标签的结果的一个差异性，它其实是一个残差学习的一个二次的残差，这个stacking呢，有点像这种神经网络的这种思路啊，有点像这种堆叠的思路，但是呢std它其实是这种手工来实现。

这种堆叠思路的这种方法，它是通过这种交叉验证，然后通过这种堆叠的方法，然后完成我们的一个具体的一个模嗯，就是说新增的特征，这个地方我们其实新增了多少列特征，一列两列，三列，四列，五列六列。

这是我们新增的第二层的，我们的输入的数据集，它是一个六列的特征，我们的标签呢仍然是原始的标签，这个标签仍然是原始的标签，我们的一个具体的一个测试集的一个特征呢，也是我们新增了六例。

然后我们的一个具体的一个测试集呢，是基于我们的一个相当于是这个新增六列，做一个预测，因为我们的一个这个地方做的一个，第二层建模呢，是我们的新增六列的特征，和我们的一个标签的一个建模。

我们这个地方的预测呢，就是对我们的新增六列的特征，然后作为我们的输入，然后预测我们的标签，这个呢就是我们的代码实践啊，然后如果各位同学想要下去仔细阅读呢，也是非常建议大家可以下课仔细阅读一下的好。

然后我们继续，首先呢，我们在做一个具体的一个特征工程的时候呢，需要进行一个思考，就是我们的一个具体的特征工程呢，它是跟我们的数据集相关的，不能一概而论啊，不能一概而论，也就是说不同类型的数据。

我们是需要做不同不同的一个特征工程的，这是第一点，第二点呢就是我们的一个具体的模型呢，我们是需要做一个具体的一个处理的，我们的一个具体的处理呢，就是如果是对于数模型，对于我们的线性模型。

其实我们各自的处理方法是不一样的，对这些代码在哪找，可以找到，在我们的一个QQ群啊，我们待会会发到QQ群里面，对待会我会发到QQ群里面，好不好，不同的模型，我们处理的一个特征方法其实也是不一样的。

也是不一样的好，然后呢我们其实在我们学习的时候，重点要学习的就是我们的一个机器学习模型，它适合用什么样的一个特征，这个是你在做学习的时候关键的一个点，什么样有有哪些继续，具体有哪些具体的机器学习模型。

我们有哪些具体的特征，工工程方法，两者之间怎么做一个匹配，这个才是我们在做动手的时候，非常非常核心的一个能力好，那么以上呢就是我们这节课的一个内容，各位同学有问题吗，对如果有问题的话。

可以提出来让我知道啊，对，好，同学们有问题吗，如果没有问题，扣个一好不好，扣个一我们就结束我们今天的课程对，好那么如果大家有问题呢，也可以在我们的QQ群里面艾特我好吧，那么我们今天的直播就到此结束了。

然后我们待会呢会把代码上传到我们的QQ群，好的谢谢各位同学，谢谢各位同学好，谢谢大家，那么我们下节课再见好吧。

1447-七月在线-机器学习集训营15期 - P5：2-决策树、随机森林、GBDT - 程序员技术手札 - BV1ASste6EuZ

好的好的，那那个大家晚上好啊，我们今天上咱们的第二次课，在今天的课程当中呢，我会给大家介绍到另外一类非常独特的模型呃，我们昨天的模型和今天的模型，是工业界当中最爱使用的模型。

而今天介绍的模型相比于昨天的模型，有它自己的一些独特的优势，使得啊工业界当然在工业界的话，我们是两类模型都会用，但是如果大家去看一看各式各样的，近几年各式各样的数据科学比赛，你会看到。

今天我们讲到这一类模型占据了半壁江山，于是无论如何，大家在解决任何问题的时候，都会第一第一时间想到说，我要用数模型去试一下，所以这个地方树模型，包括我们说到的决策树，以及决策树的一些集成模型。

包括今天会提到的随机森林，Random forest，Ok，这个模型相对于昨天的模型有它自己独特之处，它在数据的预处理的部分啊，我的声音大小OK吗，声音小不小吧，那我在具体讲内容之前。

我再跟大家确认一下我的声音大小是OK的吗，没有问题吧，啊所以我觉得说声音小的同学，可能是自己那边声音调的不够大啊，所以调大一点，好吧啊，好没问题，那我们今天提到这个模型非常非常重要啊。

就是数模型的基础啊，叫做决策树，decision tree啊，那基于这个决策树呢，我可以用一些集成的方法，去得到各式各样的高级模型，比如说其中的一个高级模型叫做随机森林，这是我们今天要给大家讲到的模型。

这个模型呢在于它自己独特的特点，我们上节课讲这个模型，做分类的模型叫做逻辑回归，逻辑回归完成的，完成预估的这个方法是，你可以对它做一个WX加B这样的运算，在送到一个sigma的函数当中去。

拿到一个概所谓的概率P，而今天的数模型是另外一类处理的模型，所以这类模型在解决问题的时候，会有它自己的独特之处，而这类模型由于它非常非常友好的，一些数据预处理上面的一些特性，使得它在工业界被广泛的应用。

所以这是我们今天给大家讲到的内容，我们会给大家讲到从逻辑回归，上节课讲到的模型，我们简单的过渡一下，提到今天这个模型叫做decision tree，决策树，我们会告诉大家它总体的流程和核心的问题。

而这一部分也是大家在去参加各式各样的，机器学习工程师面试的时候，公司面试的时候最爱问到的问题，所以希望大家一会儿在我讲到这个部分的时候，能够好好的理解一下，有问题也可以提出来，大家一起讨论一下呃。

我会告诉大家，这类决策树它不仅能完成分类问题，它同样可以完成回归的问题，所以我们会给大家讲到回归数，Requesting tree，我会告诉大家说你回归树是如何去构建的，你如何去生长出来一棵这样的树。

以及你如何去最优化一个回归树，那N科的数单科的角色树，它可能会有他自己的一些问题，我们可以用一些模型集成的方法，去把单科的决策树集成一个集成模型，所以最终这个地方有一个很重要的集成模型。

叫做random forest，叫做随机森林，OK所以我们会给大家介绍到这样的一类模型，好的，所以这个是我们今天我给大家提到的，三个主要的内容，以及他的一些更细的二级大纲，所以大家有一个大题的印象。

我们就开始给大家做一个介绍了，我们思考一下这个地方有一个这样的问题啊，有一个妈妈在这个小姐姐到了24岁的时候，很着急啊，觉得女孩子年纪大了啊，如果没有出价，可能会有一些问题，于是他要去做一个事情。

他又去相亲啊，小姐姐长得不错，所以来相亲的人很多，于是他需要需要去做一个决定，说今天这个人来了之后，或者说今天这个人的条件下，我要不要去参加这次相亲对吧，因为出了门我还得化个妆好。

所以这个地方的问题就是，我是否要去相亲这样的一个问题，我们上节课讲到这个模型叫做逻辑回归好，这个logic的关系是一个很棒的模型，在这个模型的场景底下呢，我可以去完成一个是或者是否这样的一个。

二分类的问题，所以如果我们用logistic regression，去解决这样的一个问题，我们可以找一些需要思考的因素过来，比如说这个不要和我相亲的，这个小哥哥或者大叔，他是否长得足够的高。

他是否足够的有钱，他是否长得比较帅呃，还是说它是一个很有潜力的这样的一个人，或者说他的品德是什么样的一个程度，OK所以我找了这样的一些X1X2X三，X4和X5过来，然后我可以基于上节课的内容。

给定W1W2W3W4W五，当然你可以加一个偏执项啊，OK于是我们做了一个事情叫做WX啊，你可以加一个偏置项给B，然后你可以送到一个什么对SIGMOID函数当中，对你可以送到SM的函数当中去。

拿到一个概率P，找到一个概率P，这就是我们上节课讲到的内容对吧，我们还是给大家讲到了，到我们有用这样一个模型的时候，我们会有一个损失函数叫做log loss，然后我们会对这个logo los。

基于比如说gradient descent，梯度下降去完成一个优化，拿到最好的那样一组WOK好。

这是逻辑回归，我们今天讲完的模型就很有意思了，所以这个小姐姐在发现啊，前面这个东西要有这么多的数学知识。

这是一个很头疼的事情，还要去做数学计算，所以这个事情就变得很boring，所以有没有其他的方法呢。

他想了一下，他说哎好多场景下我有一票否决否决权，如果今天这个小哥哥的年龄大于30岁了啊，不好意思，你就不是小哥哥了，你可能是一个小叔叔了，所以年龄大于30岁呢，有一票否决权，不好意思，就完全不去了啊。

就不用考虑其他的因素了啊，然后呢如果他年龄小于等于30岁呢，我再看看其他条件，哎呀这个这个呃有一点点丑啊，所以呢这个时候哎这个条件也不行，也一票否决了，唉如果现在唉年龄也还还适中，长相也还不错。

那再看一看他的收入状况啊，所以如果要收入状况非常非常穷啊，买个冰淇淋都买不起，不好意思啊，一票否决权取不了了，如果他今天诶收入状况很高，那不就是高富帅吗，好去所以就去了，对吧好，如果他的收入中等。

我要看一看有没有时间陪我对吧，所以是不是公务员好，如果是公务员的话，好建，不是公务员的话不建，而这个很符合大家的日常生活，做决策的这样的一个过程对吗，所以人做决策的时候，有时候是这样一种更直观的过程。

我我才不会去做什么数学计算呢，我就是一些规则，这个东西翻译成程序语言是什么，对呀，它就是if else if什么什么什么，我怎么怎么样，else啊，if啊，怎么怎么怎么怎么样啊。

那else再不是的话怎么怎么样，OK所以他是这样的一个诶，如果怎么怎么样就怎么怎么样，如果再怎么怎么样，就怎么怎么样，如果都不是我怎么怎么样，是这样的一个房事，去判断这个小姐姐是否去参加这次相亲好。

所以我们把这个东西做一个抽象呢，大概是这样的，我们会拿，我们会从左边这个小姐姐和妈妈对话当中，去得到这样的一个决策树啊，这就是一个决策树，所以这棵决策树实际上很清晰，他给了他的每一个分支。

实际上就是你会根据一个，你会根据这个条件的取值去做一个判断，OK顺着这本书往下走，走到叶子节点，你就可以拿到你要的结果，所以这个模型是，这显然也是一个可以用于决定，我到底去不去参加相亲的。

这样一个二分类的一个模型，这个模型是有它独特的特点，它的特点是什么呢，它很简单很简单吧，它甚至不需要去做数学的计算啊，我就是一堆的规则，我做预测的时候就是顺着这个规则往下走，我就拿到结果了。

第二个他的逻辑非常清晰，对不对，它相对于我前面数学自动的那种模型，它的逻辑非常清晰，我就是去做一个条件判断他的年龄怎么样啊，大于小于他的长相是什么样的水平，OK她的收入是什么样的水平。

OK他的可解释性非常好，对不对，如果今天小姐姐告诉你说，OK这个人我去见，那你就可以知道他为什么去见，你就可以基于这些条件去判断说为什么他见哦，是因为这个人收入很高，然后他的年龄和长相也还OK。

所以他们把这种模型叫做透明的，叫做叫做transparent，透明的，所谓透明的意思就是，它它对用户而言是直接可见的，你是知道他为什么去做这样一个角色。

为什么做了这样一个判断好了，所以大家已经见到了这样的一个结构，那么我们来我们现在来给这棵树，这个决策树这个模型做一点小小的定义，决策树是一个基于树的结构进行角色，这样的一个model。

那这个模型它有它自己的特点哦，大家仔细看一下，每个内部节点就是这个地方绿色节点，OK那这个地方的内部节点，就是这个地方的绿色节点，大家看到了啊，这些绿色节点啊，那它是什么呢，每个例子。

节点是不是针对某一个条件去做了一个判断的，就是针对某个属性去做了一个判断呢，所以我上最上面的类似节点，对年龄做了一个判断，第二个类似的节点对长相做了一个判断，第三个绿色节点对收入做了一个判断。

在下面一个绿色节点针对公务员做了一个判断，那我们再看一下每个分支，是不是对应这个判断的一种可能的结果呀，如果它小于30岁，他就走左分支了，他大于30岁，他就走六分制了。

所以这个地方的每一个分支实际上是一种取值，对不对，他要不在这个范围内，要么就是说OK他的收入，他的长相是什么样的程度，所以某每个分支都是一种可能的结果，或者说这个属性的取值。

然后这个地方的每个叶子节点是什么呀，我们说了，顺着这棵树往下走，他如果走到了叶子节点，他拿到结果了，所以叶子节点就是结果呀，就是你的预测结果好，所以这棵树就长成这样，但是这棵树它不是平白无故出现的呀。

这个小姐姐一定是根据自己多年的这个，这个追剧的这些经验对吧，看了不少的韩剧，OK所以就养成了这样的，不不是养成了，就是培养起来这样的一种判断的标准，所以说所以说唉当我有一个小哥哥来的时候。

我可以去做一个判断好，所以这个学习的过程，实际上就是通过不断的去看韩剧，去通过这个训练样本的分析，来确定说我划分属性到底是什么，我最看重什么，我最看重的是帅不帅，是高不高，是有没有钱还是高。

是有没有钱还是高，是有没有钱还是年龄怎么样，所以这棵树是慢慢长出来的，你得去看看他最关注什么，然后看他在关注什么，再看他关注什么，OK好，那预测预测的过程当然非常简单了。

预测的过程就是直接顺着根节点往下走就好了，你是有一个条件就走哪个分支呗，你往下走，直到你碰到叶子节点，结果都取出来了，这里就叫做叫做决策树，好了，说了半天，你知道这个东西长什么样了，你知道这个东西呢。

呃我怎么去完成它的预测，诶，我好像不知道这个东西怎么得到对吧，所以所以我怎么知道小姐姐，她对哪个东西最最最看重了。

这个就是我们需要去了解的信息啊，所以这棵树的生长的这个过程呢，总总体的流程是这样的，大家先建立一个基本的概念，它有一个总体的流程，它总体流程是一个分而治之的一个流程啊。

一个divide and conqueror分支的一个流程，我会自根节点至叶子节点去做一个递归，所以这个地方自根节点和带叶子节点，去做一个递归，去做一个递归，然后，大家看到这个地方呢在每个中间节点。

实际上他会去寻找一个划分的属性，然后这个地方有三种终止的条件，就是这棵树它会一直生长对吧，但它不能一直长下去啊，你总得涨到什么时候，这个小姐姐总得在判断若干个条件之后，就知道我到底去不去参加相亲对吧。

去不去参加这个相亲，对不对对啊，大家能听到我声音吗，大家能听到我声音吗，啊不卡对吧，那个大家切换一下路线啊，我这边我这边是没有问题的，我这边的掉帧率是没没有掉帧率的，我的我这边是百兆的啊宽带。

所以大家那个那个切换一下自己的线路，有可能是这个切换一下自己的线路，有可能是这个直播平台的这个线路的问题，对OK好，所以这个地方呢我这个地方的这一行，说的事情是我需要去了解什么时候停止。

就是这棵树什么时候停止生长啊。

你总得长成一棵这样的树，这个小姐姐才知道说我如何去，做预估吧或者做预测吧，啊现在大家能听到我声音吗，我再问一遍，能听到我声音吗，啊你们切换一下线路好不好，你们切换一下线路好不好。

对我这边的话做不了什么东西啊，因为我这边显示是OK的状态好不好，好那个啊，对我我我我知道您反映的情况啊，你们切换下线路试试看，因为我这边做不了调整，Ok，我这边我这边的带宽和掉帧率，是没有任何问题的。

所以我不知道怎么去调这个东西好吗，好不好，好那个大家先听啊，如果你在听的过程中实在忍不了了，你跟我说，我我再看一看是不是用流量给大家讲个课，好不好，因为我家WIFI应该是没有问题的，好的好。

所以这个地方呢其实像我们要做的事情，是这样的，我知道了，这棵树长成这样，我下面要解决两个问题是第一怎么长，OK第一怎么长好，第二涨到什么时候停，Ok，对不对，我需要去解决这样的问题，对吗好。

所以我需要解决两个核心的问题是诶，我知道这棵树长成这样了，但是请告诉我怎么去长出这样的一棵树，我已经有一堆的数据给你了，我有一堆的韩剧准备好了，小姐姐去看好，但我我我得知道这一堆的韩剧看完之后。

它的判定依据是什么，就是这棵树的怎么去得到啊，怎么找，以及涨到什么时候去停啊，因为你不能说你让他一直涨对吧，你总得说你总得告诉我说，你满足某些条件的时候，你到底去不去参加这次相亲啊。

对吧嗯好的，所以这个地方有三种终止的条件，第一种条件是当前节点包含的样本，全属于同一个类别。

意思是什么呢，我看了这么多的韩剧，所有韩剧都告诉我说，如果这是这个小哥哥是一个年轻有为，长得帅，然后收入又高的这样的一个小哥哥一定要建好，所以所有的韩剧都告诉你这件事情说要建好，所以那就不用。

那就大家都达成了统一的意见啊，我不需要我不需要再去做做什么呃，这个别的条件判断了，所以这样的情况下又高又高又不是高啊，就说这个年又年轻，长得又好又帅，收入高频，我没见对吧，大家都见啊。

所以这个时候大家意见一致，OK那我就拿到了一个结果，不需要再不需要再往下涨了，结果一致好。

那第二种情况是什么呢，当前的属性即为空，或者所有样本在属性上的取值相同。

无法无法划分，什么意思，就是这个是这样的，他今天看韩剧了，他发现一个很纠结的问题，这个很纠结的问题就是男2号也很年轻，也很帅，也很有钱，但是韩剧里头的很多小姐姐不见了，这个就有点小尴尬了啊。

所以这就是你找了好多韩剧过来，你发现诶都是这样的情况，走到这了，有些建了，有些没有见，我好像这个都是一样的条件，有些建了，有些没有见对吧，可能就不好判断了，这时候我就没有办法。

我就我就我所有条件都一模一样，这个时候你还有些看，有些不看，有些贱，有些不见，那我也找不到其他的条件去做区分了。

对吧，所以这个时候你就要停，那个大家听这个课的时候，跟着我的思路来好吗，你们你们现在有疑问是正常的，因为你第一次见到这个东西，等往后讲你的疑问就没了，所以你们可以先提问。

但是我不一定会马上解答你的问题好吧，所以记住了，第一种条件是说所有的韩剧都告诉你说，要去见他，第二种条件通常情况下是告诉你说，哎我所有条件都一模一样，这两个人的这两个人的条件完全都一模一样啊。

你说的没呃，我不好意思，我看到大家提问这个问题，但我们没有理解大家的意思是什么，第二条的属性取值相同，和第一条有什么区别，第一条告诉大家的是，我只要满足有钱，所有韩剧告诉你，只要满足有钱全都要满足。

有钱全都要满足，有钱全是它的属性，我不用考虑了，明白吗，就是这种终止条件，意思是说，如果今天韩韩剧里头告诉我大于30岁，我就不见了，我其他东西都不用看，明白吗，就是只要满足这样的属性。

满足这样的条件全都一模一样，结果全都一模一样，我就不需要去区分了，我这个时候就终结了，OK我有这个条件，一票否决，我就终结了，我不看去不去看有没有钱，不去看是不是公务员不用看了，你能力这么大。

我叫你干嘛，OK所以这是第一个条件说的事情，第二个条件说的事情是，我把所有的属性全都取出来了，这些所有条件都一模一样，这个时候还是有时候见，有时候不见，它，是不是没有办法再往下生长了呀，你要往下长长。

总要去找到一些不同的条件去做区分吧，要不就是这个高那个矮，所以你不你你去见高的，不去见矮的，那如果他都有钱对吧。

他都都有钱，都年轻，都很高，都很帅，还是有些小姐姐不去见，有些小姐姐去见了。

这个时候你告诉我，你还能找到什么条件去做区分，你找不到了，所以这是第二个条件，告诉我们说所有样本所有属性上的取值都相同，我找不到属性，找不到其他的判定标准去区分它了，我说明白了吗，这是一和二的区别。

对有人总结的很，有同学总结的不错，一个意思是说我在这个条件下，所有标签都一样，二是我所有属性全用完了，或者说所有属性都一模一样，但是它的结果还是不一样，啊这这个叫什么OOOIS的，这位同学不要太着急。

呃，我没我还没有给大家讲到如何去做预估，我现在在讲什么时候停，至于停到了之后选什么还没有讲到，不要着急好不好好吗，所以不要跳啊，就是大家稳一点啊，好的，所以我说清楚了吗，第一种情况和第二种情况。

我有我我给大家说清楚了吗，好那第三种情况是当前节点包含的样本即为空，就是呃就是没没有没有样本了，所以这种情况下你是没有办法去划分的。

所以记住了这个地方，当出现这种情况的时候啊，这个小姐姐看韩剧总结到这些情况的时候。

她就有心里有数了，就说OK这个看这个不看，或者说这个不能再分了啊，不能再区分了，请大家条件都一样好。

所以记住大家了解的第一件事情是什么啊，就是这两件事情啊。

涨到什么时候停啊，已经知道了，涨到什么时候停，嗯对下面这这这页有点有点懵，好看的对吧啊，这个地方是从周志华老师的西瓜书里摘出来的，一段伪代码，听清楚啊，是一段伪代码，然后看代码大家都很头疼对吧。

所以我也不需要大家去看，我嘴里头框出来的一些东西，大家看清楚了，我框出来了一些东西，我框出来了一些东西，所以这个时候框出来的东西是，你，什么时候停。

同学说第三个终止条件没有看懂，三是没有输入数据啊，没错有同学说的对，就是你这个店里头有红色，有蓝色，有紫色的衣服，OK我要决定他买不买，本来是衣服是有这三种颜色的，今天紫色卖光了，不好意思。

我到这个地方去做分叉的时候，有三种颜色，紫色的，今天店里头卖光了就没有了，你不能甩这个东西就停掉了，这肯定肯定是没有的，然后另外两个你是可以继续往下找，OK没有对应的样本了。

然后大家往下看呢，这个地方是一段伪代码，伪代码呢其实那个大家要读也读得懂啊，大家要读是读得懂的，我就是把刚才的三个终止条件写到这，这是对应第一类的终止终止条件，这是对于第二类的终止条件。

这是对应第三类的终止条件，好这个我不给大家念，你们自己去对好，现在这里头有个我用红色加粗的部分，在这红色加粗加粗的部分，这个家最近在说了一件事情，小姐今天得判断一下我，我到底现在最看重的是什么。

比如说你今天要在北京或者在上海买个房子，你手头上的钱有限，那你手头上的钱有限，肯定不能所有所有条件都满足，对吧哦，我要学区房，我要房子要大，我要防止新，我要防止这个采光好，户型好，交通便利啊。

哪来那么多钱，所以你钱有限的情况下，我们要怎么样要取舍嘛对吧，所以你要举手的话，他就问你一件事情，说，那你买这个房子，老哥你买这个房子，你最看重什么，你最看重什么对吧，什么样的东西是你完全接受不了的。

你看都不会看的，那有些人会说这个房子朝北的，完全不看，而有些人会说这个房子的年龄啊，这个房龄是他的房子，这个建造时间是在90年以前的，完全不会看，OK好，所以这个地方这个我用红色的这个底色加粗的。

这个部分是很重要的一点，他告诉我们说，我必须要去决定，小姐姐现在去做这件事情，最关注的点是什么，当前最关注的点是什么，这是最重要的点，大家听清楚啊，一会儿我们会讲到三种决策树，这是决策树算法的核心。

你之所以会有三种不同的决策树，很大程度上是因为他们在做做这件事情的时候，有不同的方法，但他们都达到了这样一个目的，所以记清楚啊，终止条件我说完了，那如果他不终止，要怎么样，不终止的话，这棵树要涨怎么涨。

你得去判断你现在看重什么好。

我们来到这个问题，你现在看重什么，插播一点小小的数学知识啊，不要害怕，这个地方有一些公式，我来给大家，以比较直接的方式来给大家介绍一下，这个地方的数学公式，你见到的第一个概念叫做熵。

这个概念是一个物理概念，所以物理老师会告诉你说，整个宇宙是在朝着熵变大的方向去发展的好，这个东西听起来逼格就很高了对吧，那什么叫做商，其实啊一点也不高级，这个东西是一个一个度量标准。

这个东西信息上所谓的entropy，它度量呢就是一堆的样本，它的纯度纯度什么叫做纯度，没有杂质就纯了对吧，有不同的东西混在一起，它就不纯了对吗，所以它是用来衡量纯度的一个概念，然后这个时候一个指标。

这个时候呢大家先看怎么算，我一会给大家解释，假定当前的样本当中，集合当中第K类所占的比例是pk，听清楚啊，今天有一个蛋，这个蛋里头有三种颜色的球，分别是蓝色的，红色的和黄色的，好，我们举这样一个例子好。

所以这种小袋里头就有很多很多的球，他们有三种不同的颜色，蓝色红色和黄色，那个这句话的意思就是说我告诉你说，我的蓝色啊取值是对他的这个比例是P1啊，红色比例是P2，黄色黄色比例是P3。

那大家告诉我这个西格玛P等于多少，西格玛I等于一到，不知道有多少类啊，假设它有N类，那一到N的这个PPI它应该等于多少，大家告诉我这个东西等于多少，你所有东西加在一起的比例当然是一啦，有问题吗。

没有问题啊，就是加在一起概率等于是一，好好问大家一个问题，问大家一个问题，哎我今天问你伸手进去摸球，然后我问你一个问题，我说哎小哥哥，你伸手进去摸这个球，你能告诉我你你你猜一下，你摸出来的是什么球吗。

然后我问你一下诶，如果你现在有你这三种颜色里头，有90%的球都是蓝色，你伸手进这个大眼睛去摸这个球，你会告诉我是什么颜色，你当然会告诉我是蓝色了，因为90%的球都是蓝色，我当然猜最多的那个了。

而且什么时候最不肯定啊，我问大家什么时候这个事情是最不肯定的，是不是三种球的，这这个袋里头这三种球的数量一模一样，你你猜不出来，你没有办法去取一个最大的，你新手进去摸它就是一个随机的啊，我说的三种球啊。

不要和0。5没有关系啊，就是大家那个跟着我的节奏来，有三种球，那我应该是，那我应该是什么样，三种球都是一样多，1/3，对不对，如果他是1/3，我伸手进去摸，我现在就很很懵。

他跟我说小哥哥小哥哥现在这里头最你，你觉得摸出来的这个球概率最高的是什么球，我不知道，因为这三种球居然数量也一样，所以这个地方的信息熵度量的是一种啊，不纯度就是这个值越大，它的纯度越低，这个值越小。

它的纯度越高，那大家告诉我，这个信息熵在什么时候去取到它的最大值啊，什么时候我的纯度是最低，我的不确定度是最高的呀，听清楚我的描述啊，纯度润最低，不确定度最高，对没错，在你每个类别的比例都一样的时候。

哎大家大家高中的时候就学过不等式对吧，我问大家那个不等式哦，不等式它的它的它的这个不等式的，它的一般什么时候取到等号啊，不准是他什么时候取到等号啊，通常情况下是相等的时候对吧，是那几个东西相等的时候。

比如说A等于B等于C，对不对，所以这个地方的entropy取到了极值，取到最大值的时候，也是这个地方的pk相等的时候，能能明白我意思吗，如果这个东西衡量的是一个不，一个一个混乱程度。

或者说它的一个不纯度的话，他什么时候取到最大，什么时候最混乱，是不是所有的pk都相等，是不是所有的pk都相等，是不是伸手尽力了，带头去摸球，所有球队所有颜色的球数量相等，有问题吗，这个地方有问题吗。

没有问题，对不对，好记住了，记住了，有这样一个概念，它叫做安全比，叫做西，它叫做安全比叫做西，它叫做安全比叫做细，他这样去算，他这样去算这个东西在所有的pk相等的时候，取到的值是最大的。

这个时候你最不肯定最不肯定，你完全你完全，你完全不知道自己摸出来的是什么样的颜色，这个东西叫做信息熵，好记住了，信息熵描述的是什么，是不纯度，就是他描述的是它的一个不纯的程度。

所以这个东西越大，它的不纯度越高，它越小，它的不纯度越低，它的纯度越高，OK听清楚了啊，那你想决策树如果要去完成一个判断。

我是希望我的肯定度越来越高，对不对，而我是希望这棵树，你你希望这个规则产出以后，我能更肯定一点点，我能更肯定一点点有问题吗，啊我我说一下，我说一下，这个地方表示的是它表示的是Y的类别数量，听清楚啊。

这个东西不是Y的绝对值啊，它是Y的类别数量，它是一个标记，它表示我有多少种不同的label，有问题吗，所以K等于一到底有多少种不同的label，比如说红黄蓝是三种，所以就是从1~3。

这不是什么Y的绝对值啊，这个绝对值没有关系，这个东西就是一个标记，它表示有多少种不同的label哦，说到就就就点到这好吧，然后你想想啊，诶为什么我需要机器学习的模型啊，机器学习模型是为了干嘛呀。

为了做预估诶，预估是为了为了怎么样，为了提前去拿到一个可以去猜出来的一个答案，或者是提前去预估出来一个答案，所以如果你这个模型构建的足够好，是不是去把我的这个地方的不确定度，降得足够低啊。

这句话有问题吗，你的机器学，你想想机器学习这些模型的本，他希望做什么样的事情啊，他是不是希望去让我提前拿到一个，预估的结果呀，是不是提前拿到一个预估的结果呀，是不是让我未来的不确定性尽量的低啊。

所以我希望这棵树在生长的过程当中，能让现在我对于我训练的数据，它的不确定度越低越好，你最好能让我现在很肯定的，就根据你这个规则就知道这是哪一类，根据另外一个规则就知道是另外一类。

所以这是机器学习模型想要做到的事情，他想让这个不纯度往下降，他想让这个不纯度往下降，他想让这个纯度往上升，他想让我去做预估的时候，这个事情足够的肯定，所以这个时候我有了一个东西去度量，我现在的不确定度。

度量我现在的不纯度对啊，我现在的不纯度，我是不是在每一次生长的时候。

我希望我基于这个规则，可以让这个不纯度往下降啊，好来这个地方又有公式好，不要怕公式，我给大家解释一下，他说了一件事情，他说嗯这样这样这样，现在电商里头这些，现在电商里面有这样一些衣服的颜色啊。

衣服颜色分别是什么呢，OK分别是这个这个啊黄色啊，蓝色，哎呦那大家等我，大家等我半分钟好不好，等等我半分钟好吧，现在OK了是吗，好的可能是直播平台的问题好吗，好所以我接着往下讲了。

记住我刚才记得我刚才说什么吗，我刚才说了一个东西叫做不纯度，叫做不确定性，不纯度机器学习模型，为了干嘛把不确定性往下降，我希望这个东西越来越纯，我希望越来越肯定，所以我们来看看怎么做。

假设我现在有一个属性取值叫做红黄蓝好，所以一个小姐姐来买衣服了啊，红黄蓝啊，红黄蓝号那个小姐姐，一个小姐姐来买衣服了，诶诶那个如果我现在不确定这件衣服颜色啊，我就告诉你说OK有一件这样的衣服。

那肯定是有一些小姐姐买了，有些小姐姐没有买嘛对吧，所以呢哎这个地方呢，就是在我没有根据这个属性往下生长之前，大家听清楚啊，肯定是对于这件衣服呢，肯定是有些有些小姐姐买了，有些小姐姐没有买。

所以这个时候他是不是在这个数据集上，我可以基于买和不买计算出来一个不确定度啊，不纯度啊，是不是可以计算出来一个信息熵啊，告诉我这个有问题吗，比如说有十个小姐姐过来，这十个小姐姐当中有啊。

那个四个小姐姐买了，有六个小姐姐没有买，是不是可以基于这个东西去计算出来，一个不确定性啊，有问题吗，没有问题对吧好，那如果现在新加了颜色，颜色有三个分支，所以这个地方是蓝色，这个地方是红色啊。

衣服的颜色啊，这个地方是黄色，OK那这些小姐姐是不是可根据这些衣服啊，就是她最后有没有买件衣服，衣和衣服的颜色有关系吧，所以我根据衣服是不是颜色，是不是可以把它分到几个不同的袋里头啊。

我是不是可以把它分到几个不同的袋里头啊，所以这个地方有几个不同的袋里面的话，每个袋里头都会有一些样本，但是因为我把我按照这个东西去区分了，所以它的肯定度有可能会变高对吗，所以这个时候这个东西就是。

我在基于现在的这个属性取值，划分之前的这个地方，它的交叉熵，而我说也不是交叉商，他的信息熵，他的信息熵是划分以前的信息熵，后面这个东西是什么呢，对后面这个东西是分成的，每个代理头新分成了三个蛋。

每个蛋里头它的不确定性，但是因为我的样本量减少了呀，所以我要给他做一个加权，我在前面这个地方不是绝对值，我重复一遍，这个东西不是绝对值，这个东西表示这个集合的数量，这个集合的数量。

我总共说了多少个小姐姐去买这件衣服啊，总共有十个小姐姐，我记忆不同颜色区分以后会有多少个小姐姐，对，在这里头也许是啊，我随便举个例子，也许它是5+3加二。

所以这个东西是数量好，所以我在我给大家说一下，这个事情实际上是什么样的呢，是说诶我在做划分之前，我可以计算出来一个不确定度。

不纯度我可以确定出来的不纯度，我在划分以后，我基于某一个东西去做判断了，我基于这个人的年龄大小，我去判断一下我要不要去要不要去和他相亲，我记得他是不是有钱，我去判断一下他是不是要相亲。

所以这个时候它会被分到不同的同类，而每个同类里头都可以算出来一个不纯度，这个时候我会用它这个桶中的数量比例，数量比例去做一个加权，我用这个东西去衡量说，当我用这个离散的属性去做区分的时候。

我的不确定度有没有往下降，我的不纯度有没有再往下降，降了多少啊，所以听懵了是吧。

听懵了是吧，好没关系，听懵了，我们来找个例子，这个地方的例子来源于周志华老师的机器学习，西瓜书的数据集，好的，所以这个问题很简单，我们最终的目标是为了去判断一个西瓜，到底是好西瓜还是坏西瓜。

最开始啊把西瓜什么各种都把西瓜包起来，你不准你去碰，不准你去看我，我只知道最终的结果诶是这样的好，最终的结果呢有有总共会有17个西瓜，这实习西瓜当中有八个是好西瓜，有九个是坏西瓜。

哎你告诉我能算他的信息商吗，就是如果我现在给你17个西瓜，这17个西瓜当中有八个九八个好西瓜，九个烂西瓜，然后把它一起放到这个袋里头，让去摸，你能知道你的不纯度是多少吗。

有公式的嘛，带进去算就好了，所以往里面一代是不是就算出来，信息上长这样啊，0。998，这个值挺大的，你想一想为什么挺大的，八个好瓜，九个坏瓜差不多呢对吧，一半一半一半一半，对吧是吗是吗。

是不是有一半一半，所以这种情况下不确定度肯定很高啊，所以这个0。998，实际上就代表说不确定度还挺高的，诶，那我能不能去找一些其他东西来做，做一些判断的，所以他就找了。

他说前面不是有些信息吗，诶那那不如取下颜色好了，我把颜色取过来总行吧，所以他把颜色调过来了，他就把颜色调过来，他一看。

他说啊那个有多少种不同的颜色啊，好我来看一下，有青绿，有乌黑，有浅白，好，好像就这三种，诶我记得这个颜色色泽等于青绿和乌黑和浅白。

我可不可以把这些西瓜分到三个袋里呀，我可不可以现在把它们分到不同的桶里头啊，我找三个桶过来，我把这些细胞按照颜色分到不同的桶里，可不可以，OK所以你把它分到不同的桶里，我问大家一下，你分到不同的桶里。

是不是桶里还是有好瓜和坏瓜呀，对啊所以这个时候我们来看一下这个地方。

盐分为亲密的瓜，有这么六个瓜，这六个瓜里头有三个好瓜，三个坏瓜，所以我算了一下，在第一个桶里面，它的不确定度是一在第二个桶里面呢，在颜色是乌黑的桶里面呢，在颜色是乌黑的桶里头，我算了一遍，它是0。

918，在颜色为浅白的，同理呢对颜色为浅白，同理我算了一下，它的大小是0。722，所以我基于刚才的公式去算一下，大家看到的这个地方，0。998，0。99998，实际上是原来的不确定度或者原来的不纯度。

听清楚啊，原来的不纯度，那我现在后面这个东西呢，对后面这东西是我现在的不纯度，就是我基于颜色已经分到三个桶里面，我积分到三个桶里面以后，我这三个桶里面的数据，我算出来的一个平均的近似的。

平均的加权平均的这样的一个不确定度，是不是不确定度降了多少啊，你看他说老师老师这个我明白了，他不确定度降了0。0。109呗，对呀不确定度降了0。109啊，哎这是我唯一的属性吗，这不是唯一的属性啊。

还有好多其他的属性呢，好那我把其他属性拿过来，我是不是我在前面这个数据集当中。

是不是还有这个属性啊，是不是还有敲的声音啊，是不是还有纹理啊，是不是还有起步，是不是还有触感呢，对我把每个都拿过来算一遍。

按照一模一样的方式，大家告诉我有多少种取值，我就把它分到几个桶里，我按照一样的方式去算，分桶之前的不确定度和分桶之后的不确定度，我就看看这个不确定度下降了多少，这个东西能够提供多少的信息。

让这个不确定度下降，这是决策树想做的事情，所以你用同样的方式，你按照耕地去做风筒，你按照敲的声音去做风筒，你按照纹理做风筒，你按照起步做风筒，你按照触感去做风筒，它都可以算出来一个不确定度，下降的程度。

你发现哪个下降的最大呀，哪个下降的最大呀，纹理下降的最大嘛，所以是不是基于纹理先去做区分呢，是不是基于纹理先去做区分呢，OK好啊，所以记清楚了，这个时候呢，你的你的这些西瓜已经被分到了三个桶里。

你的西瓜已经被分到了三个桶里，结束了吗，没有结束，继续往下涨。

分到左边这个桶里头的西瓜，可不可以再基于其他的东西去做区分，用一模一样的方式啊。

听清楚啊，你这棵树涨到这一步以后，这个又是一个数据集合，这个数据集合还是不确定还是有好瓜还是坏瓜，所以再往下找，接着去判断，到底哪个东西能让我现在这个桶里头的西瓜，能够不确定度下降。

最多我再去扫描一遍这个地方的耕地，敲声起步，触感和色泽，所以大家能感受到这棵树是怎么生长的吗，我说清楚它的过程了吗，它每一次分桶，每一次的生长，都是希望让我现在的不确定度下降，最多朝着这个方向去找。

好我希望大家没有问题，OK好，所以这棵树就会一直往下涨，涨到什么时候停，涨到什么时候停，是不是说终止条件1231233个终止条件，是不是说只要满足任何一个终止条件就停掉，它就停掉它，然后给一个结论。

OK好好。

这个这个很伟大的模型呢。

或者说这个很伟大的这个决策决策树的模型呢，叫做IP3啊，叫做D3对，它是一个递归的，没错它是一个递归的这个算法啊，就D3K好吧，他这个id3记住了ID3是基于什么，是基于信息增益，记住了啊。

这个东西是会会考考试，那个面试的时候会问的啊，ID3是基于信息增益去挑我最优的划分属性，去挑哪个条件对我现在而言是最重要的，记清楚了。

好诶诶这个信息分析有他的问题哦，信息分析有他的问题啊，为什么会有他的问题啊，我给大家举个例子，班上有45位同学，但这个45的同学，每个同学都会有一个学号，一号2号三号，一直到45号。

老师今天说哎呀我想研究一下，我想研究一下这个呃，这些同学到底成绩好还是不好啊，有没有办法呀，你说老师老师我知道用决策树呗，然后决策树的话，老师说，那那就把他的这些所有的因素都拿出来吧。

每天花多长时间学习，对吧啊，父母亲是什么样的学历状况，OK然后平时的这个听讲的这个程度等等，都拿进来诶，他不小心拿了一个另外一个东西进来，叫做学号，他把学号拿进来了。

哎大家想一想学号有多少种不同的取值啊，学号有多少种不同的取值啊，45种对吧，我分45个叉，我分到45个桶里头，每个桶里头有多少个同学，每个桶里面有多少个同学，你告诉我，每个桶里面一个同学对吧。

分45个差，每个每个桶里面一个同学，一个同学，我还不好判断它好不好吗，我直接告诉你答案了，我直接告诉你说，43号同学是一个超级牛逼的一个学霸啊，2号同学是一个学渣，唉，但拜托啊，这个东西有用吗。

你新来一个同学，他的学号是46诶，46往哪走啊，他没有用吧，所以这是这是T3的问题，T3的问题就是说它它对于这种有特别多取值，特别的取值的这种属性有特别强的偏好，因为你想一想，分叉分的越多。

他是不是越开心，每个桶里面的数量越少吧，因为少他有可能越肯定嘛，所以他特别喜欢去挑这种数目非常非常多，分叉非常非常多的这种属性，这是他的一个问题，T3刚才用信息增益就有这个问题，所以怎么办呢。

他思考了一下，他说这个根本原因，说这个时候有好多分叉的，有好多分叉的，所以有好多分叉，那有好多分叉，带来的这个信息增益的绝对值很大，绝对值很大，绝对值很大，我们说的绝对值是不可靠的对吧。

就是我们我们昨天给大家讲到课里头，我说我用线性回归加阈值，我们阈值定不下来的，所以我一直定不下来的时候，我怎么办呢，绝对绝对值没有用的时候用相对值呗，所以他这个地方给了一个分母，他给了一个分母，诶。

你刚才哪个桶里面一个同学啊，你45个学号，45个桶里头，每个桶里头一个同学啊，哎我问你哦，这个分母是什么，大家告诉大家，现在告诉我这个分母是什么啊，这个这个不是绝对值啊，再说一遍，这不是铜里面的数量。

你们告诉我你们现在看的这个IVA，你们告诉我这个东西是什么，我们记得那个公式吗，负的sigma啊，p log p这个东西叫什么，这个是什么的信息商，这个是不是我刚才这个属性的信息熵啊，是不是我这个属性。

我基于这个属性去看它的分散程度，它的一个伤啊，哎你告诉我刚才分45个分支，这个值有多大，哎45种颜色啊，进去都一模一样啊，我进去伸手进去摸球，它的概率它的不确定度有多高啊，高的很，你别看你的分子大啊。

你别告诉我说你别告诉我说你的分子大没有用，我的分母也大，我的分母也大，所以这是叫做信息增益，听明白了吗，信息增益加了一个分母，这个分母呢会随着你的分差不多啊，我直观的这样说啊，这个表述是不精准的。

但但但对大家的理解可能是有帮助的，就是它分叉多的情况下，它的分母也多，把分母也大，但分母也大，有问题吗，所以这个地方的gun ratio这个信息增益率，他加了一个分母，他说不好意思，你啊。

取那个信息增益大的不够，我得看一看，原来这个属性有多分散，原来这个属性有多分散，OK所以记住啊，这个地方是第二种决策树的模型叫做C4。5，C4。5和D3很像，差别就在于说他选了信息增益率。

他选了信息增益率去作为我的一个判定的，作为我一个特征，我的属性选择的一个判定标准，属性选择的一个判定标准好，我希望我给大家说清楚了，所以到目前为止，我们学了两种不同的角色数，一种叫做D3，一组叫做C4。

5，他们都会往下涨，涨到什么时候体验对这个条件吗，123，那怎么涨去挑最重要的属性，怎么去挑最重要的属性。

信息增益，信息增益率好往下走，这是唯一的思路吗，当然不是，这个地方有另外一个有另外一个数学的指标，叫做DEMIDEX，基因系数，基尼指数这个东西又来数学公式了，看着就烦对吧，没关系。

我给大家解释一下这个是怎么得到的，诶我还问大家啊，这个地方这个地方有小球啊，有两种颜色的小球，黑和白的小球，黑白啊，黑和白色小球诶，我怎么去判断它的纯度怎么样啊。

就是因为有个袋袋里头有有黑色和白色两种球，然后伸手进去摸对吧啊，伸那个伸手不见五指啊，然后你看不到，所以你进你进去，你进去去去摸，你定义序幕，哎，这个时候我除掉我刚才说的方式，去衡量它的纯度。

我有没有其他的方式，所以这DINDEX从你他做了一件这样的事情，大家仔细听啊，他做了一件这样的事情，他伸手进去，摸了一个球，他伸手进去摸了一个球，他又伸手进去摸了一个球，他他在小本本上记下来了。

他摸了第一个球，大家听清楚了，他摸了第一个球，他在小本本上记录一下，说OK这是第一种颜色，他摸到第二个球，他把他放回去了，他把他放回去了，他又摸到第二个球，他摸出来以后，他又记录一下这个颜色叫做C2诶。

我问大家那个纯度高的时候，摸到我摸出来的这两个球，颜色一致的概率是不是会很高啊，如果全是黑色的球，我连摸两次，我摸这个球是不是都是黑色啊，有问题吗，什么时候我摸出来的球。

它的颜色不一致的可能性会比较高啊，哎是不是说我这里头两种颜色都一样，那我去约的时候都是1/2的，可能是不是这个时候不一致的概率就高了，有问题吗，好没问题好，所以我们再来看看公式。

告诉我告诉我取到DK类的概率是多少，取到第K类的概率是多少，是不是pk，我摸一个球的概率是不是pk嗯，我再去摸第二次概率是多少，是不是还是pk，我是不是用一减去摸到所有摸出来的两次。

都是黑球和摸出来的两次都是白球的概率啊，这个公式看懂了吗，这个公式我这么讲，看懂了吗，是不是相当于我摸两次全是黑球，可以摸两次全是白球的概率，我要把它剪掉，我要用一减掉，它是不是要用一减掉。

西格玛所有的不同的类别，以及两次摸出来的都是这个类别的概率，那两次摸出来的就是不一样的，对不对，好没问题好，很聪明啊，大家都很聪明，所以你们理解了，说哎这个东西好像也能衡量它的不，它的这个纯度对不对。

好像也是可以去衡量它是纯度的啊，他的这个不纯度的sorry，他的不纯度的OK好，所以我是不是要去找到不纯度最小的属性啊，我是不是需要去找到使得划分以后，所以你看数学这个东西很神奇对吧。

他换了一个角度去解释这个问题，他换了一个角度去解释这个问题，但是你发现它依旧是合理的，你想这个事情你说太合理了，这个事情对吧，我连摸球都有这么多种这么多种不同的玩法，好接着往下走。

这个地方诞生的这个算法叫做cards cut，是一种二叉树，听清楚啊，cut和D3和C4。5的C4。5的差别在于，它是一个二叉树，它是二叉树，然后这个二叉树它用于选择属性。

选择现代划分属性的方法叫做他的不是方法，它的评估的指标叫做GUIDEX，看你翻译啊，这个东西是偶然吗，他是偶然吗，他不是偶然，数学真的是一个很神奇的东西哦。

所以如果大家来看一下负的PROGP，p log p啊，所以这个地方的负log p4p log p4的log p，它可以做一个什么，泰勒展开它的菜单展开约等于一减X，把高阶无穷小忽略掉。

把高阶无穷小忽略掉，它只只保留一阶的，所以这个时候约等于一减X，这个公式我不想多说啊，泰勒展开，我真的不想多说，他要展开也不想多说，那个有有同学没有看前面的数学课的吗，为什么要补那个数学课。

就是因为在后面的部分，我会涉及到一些数学知识点，但我并不想把这个课讲成一个数学课，所以大家最好有一点点的数学基础，包括微积分，包括这个地方的啊，后面的一些矩阵相关的一些知识。

所以这个地方就用到了一个数学的知识，叫做泰勒展开，叫做泰勒展开，所以如果你作为一个泰勒展开，你发现什么这俩货其实是一模一样的，你你不要以为是什么，DINDEX和和，现在这个我的这个信息商去去做这个呃。

是这个这个取法要求的这个取法是一致的，它是一种偶然，它不是偶然，它在数学上证明，这两个东西就是约等于基本上就是一致的，所以这个东西你用泰勒一展开，它的展开就变成这个，我再给大家写一下这个东西。

K等于一到大K它相当于pk对不对，减去pk的平方，对不对，好这个东西大家告诉我，K等于一取到小，K等于一取到大k pk这个东西等于什么，这个东西等于什么，这个东西等于什么，大家告诉我，对这个东西等于一。

所以发现了吗，这俩玩意儿长得就是一模一样的，我用它要展开以后，发现他就是约的鱼的，发现了吗，这个东西是什么啊，这个东西是什么，这个东西是不是give me dex啊，这个东西是什么啊。

这个东西是不是信息熵啊，你在数学上证明了这俩玩意儿，这两个玩意儿，其实就是一样的对吧，他们两个趋势完全一样吧，对不对，好吧好吧，所以截止目前为止了解了三种不同的决策树，叫做D3C4。5和cut。

然后你发现说这三货，这仨货好像用于最优属性划分的时候，评估的准则是不一样的，但是都好合理啊，然后你在数学上找到了一个方式，就把它们统一起来，你说就是这样的，这个东西本来就是趋势就是一样的好呃。

学过逻辑回归对吧，学过逻辑回归对吧，好我就回归输出的是一个概率P对不对，好P是一个0~1之间的一个一个概率对吧，所以我们告诉大家说，我用一个mod可以把这个东西叫变变成这样。

我用SIGMMD可以把概率变成这样，哎那你讲一下决策树是什么呀，对呀类比一下决策树是这样的哦，决策树可不像你那么平滑，角色数据是个跳票哦，今天是一个小叔叔来找我，今天这是一个小叔叔去找我相亲。

我就不去哦，所以我就直接跳成零哦，如果今天是一个这个这个什么样的人找我去，我有可能就会去哦，高富帅哦，我就是一哦，所以这个地方呢它就是一个跳变啊，这是一个平滑的方式，我给大家对比一下。

因为我们刚学过逻辑回归，你学了这个模型，所以我就用它做对比啊。

这是从二分类的视角去看一下cart呃，有有有有同学是学那个电子或者通信出身的吗，有同学是学电子或者通信出身的吗，那这个地方呢针对于我们的这个问题，你你有其他的一些解释。

比如说它是可以从信息论的角度来来解释的，所以这个地方呢啊这个没关系啊，这个只是我给大家拓展一下知识，我给大家拓展一下知识，所以那个你的你的信源经过一个发射器，发射信号以后，经过信道接收器以后去做解码啊。

达到限速，OK所以这个地方如果大家去看你的X你的特征，你的标签实际上对应的它会有对应啊。

所以大家可以看后面它，它实际上是有一些对应的啊，这个是一个拓展，没有关系，这个部分呢不影响大家理解这个模型，只是我为了让大家对这个理解，对这个模型的理解更加的透彻，所以我做了一个类比这个东西啊。

我会给大家，我会给大家完全展开来说，等到大家积累了一些知识之后，你回来看，你会发现这个地方说的东西是有道理的，你发现所有的这些知识他都是有关联的，它都是可以类比的，它很像。

OK总结一下总结一下总结一下啊。

那个我学了三种不同的决策树，我我再强调一遍，决策树的核心是，第一这棵树长什么样，大家已经知道了啊，就是它是一个这种规则式的往下生长，然后去拿到结果的这样的模型，第二这棵树什么时候停，记清楚了什么时候停。

有三种不同的条件，一定得记清楚什么时候停，第三你这棵树生长的过程当中，每个时间点我最关注的东西到底是什么，我最关注的当前最关注的属性到底是什么，就是这样一个东西，它的不同诞生了三种不同的决策树。

应该说那个有其他的区别啊，但是这是最大的区别，这是最大的区别，所以我们有了D3，我们有了C4。5，我们有了cut，我们希望通过信息增益这样的方式去衡量，什么样的东西能让它变得更纯。

能让我现在的肯定度更高啊，所以我选择了信息增益，得到了T3，我选择信息增益，我得到了B3，我选择了信息分辨率，我得到C4。5，我选择了这个地方的GMMDEX，我得到了cut。

OK相信大家都有一些概念了对吧，好很好啊，然后我再讲一遍，我再讲一个问题，然后我们休息几分钟，我再给大家讲后面的部分好吧，有同学刚才提到的一个点说，老师老师你你你这没讲清楚啊，你这个地方没讲清楚啊。

那个那个你这个地方谁告诉你，说一定是离散的属性啊，哎今天如果有一个有一个字段，它是一个比如说销量这个东西是不是连续值啊，连续值你怎么去分叉呀，哎连续值怎么去分叉呀，你没讲诶，对我没讲。

所以我现在要给大家讲啊，这个事情是这样的，那个要去相亲对吧，来了一群小哥哥，好小哥哥里头有一个有个字叫做啊，很可怕AJ哦，哎A级可能有些同学说哎，有些同学说老师老师你这个A级这个东西哎。

其实东西很好办的，年龄人最小是一岁，最大是那个100，所以我就假定是这样啊，可能100多岁吧，那相亲不可能有100岁啊，那相亲就更小，更更更约束一下，我们约束到那个呃，比如说22岁吧，我们约束一下。

22岁到到这个这个60岁好不好，22岁到60岁啊，所以在这样的一个区间内，那他那你告诉我说吧，邵师二十二十二岁到60岁，不就这么几个曲师吗，你每个取值当一个分叉不就好了吗，可是可以。

但是我总觉得有点怪怪的啊，其实我们实际在做决策的时候，好像不是因为一个岁数而去对吧，我是因为一段岁数，他好像是在这个小哥哥是在24岁到这个呃，比如说28岁之间诶，我觉得挺好的，OK啊。

或者说24岁到30岁之间，我觉得挺好的，那可能大于30岁，我觉得说哦不OK了，所以好像不是单个的年龄吧，好像是一个对吧，这个就尴尬了，所以怎么办呢啊大家听清楚怎么办啊，年龄是一个字段。

首先啊听清楚年龄是一个属性，是一个字段啊，先明确一下啊，年龄是一个属性，一个字段好，先明确这样一个东西，哎我把所有小哥哥找过来，我把所有小哥哥找过来，我把所有小哥哥从年龄从小到大排列。

OK这是一号小哥哥，他年龄只有21岁，就是2号小哥哥，他的年龄有这个23岁啊，这是3号小哥哥和4号小哥哥，5号小哥哥，他们年龄分别是20，都是26岁，OK我在这上面呢，就我就把这个年龄列到一条数轴上。

然后怎么办呢，哎，呃你只能处理离散值对吧，你刚才告诉我说你只能处理离散值对吧，OK那我就我就用同样的方式来处理一下了，所以我在21~23之间取一个值好不好，我在这里取一个值，我我另一个另一个栏杆在这。

我在这个地方再取一个值，我在这里取个值，我在另一个栏杆，我在另一方再取一个值，我再立一个栏杆好，每两个点之间我们取一个值，我去另一个另一个这个泥巴，另一个这个柱子立在这，然后我怎么办呢，哎可以这样哦。

这个时候小于啊，比如说这个地方是22，小于22，是一个分支，大于22，是一个分支哦，哎所以这个地方有一个字段，叫做是否小于22，这个时候是不是一个类别的属性，大家告诉我是否小于22。

是不是一个类别的属性，告诉我是否小于22，是不是一个类别性的属性，哎他就两个结果哎，要不就小压杀，要不就大压杀了，是不是一个类别性，是不是一个离散的属性，哎这个这个是不是小于24或者小于25。

是一个分支，大于25是一个分支，别着急啊，我在讲着呢，怎么去分段，我在讲啊，OK我刚才给大家强调了一个问题，我说我说age它是一个属性，听清楚啊，age是一个属性，但是我这个处理把拉成了很多个属性。

听清楚啊，第一个属性叫做是否小于22，第二个属性叫做是否小于25，第三个24啊，是是否小小于24啊，第三个属性叫做是否小于，比如说啊27，所以我把年龄由一个连续值的属性，分拆成了若干个二值属性。

有问题吗，这个分之二值属性的值我怎么得到的，我是不是任取两个连续值的点在中间，在这个数轴的中间去取到一个东西，所以请大家把你现在的想法变一变，你不是拿着年龄这样一个属性去做选择啦。

你是拿了一堆和年龄相关的，这样的离散的属性去做选择啦，所以这个时候是不是变成我要从这个属性，这个属性，这个属性当中去挑出来最可靠的属性啊，是不是回到了刚才那个问题啊，告诉我你们听懂了吗，我说明白了吗。

我把一个连续值的年龄变成了很多个零散的，零散的这样的二分的属性，二只属性，然后我对这一堆的二只属性用同样的方式去选，我把每一个都当做不同的属性去做选择，明白了吗，好呃还有个问题啊。

我知道我知道有些同学没问题，说老师老师哎，你刚才还说24岁到28岁呢，你这个地方只能小于28，大于28，哪来的24~28呀，哪还当是死的是吧，诶你这棵树要长着，你这棵树现在长了左分支。

你说是小于28岁的，小于28岁的，你确定他后面不会再长出来一个分支，是大于啊那个24岁吗，你确定他不会再长出来一个分支，是大于24岁吗，这就是年龄段就出现了，听明白我的意思了吗。

这些属性是可以重复被选择的，他在下一轮的时候，他还是会扫描这些属性，所以这个年龄段是怎么来的，年龄段是这样来的，你先判断来说小于28这个最有用，然后到小于28以后，你又扫了一遍，发现说乐趣大于24岁。

这个东西也有用，所以你就把它长出来了，所以这条分支就变成了小于大于24，小于28，听明白了吗，你要的段就出现了，所以我说明白了吗，好诶有个问题啊，同学有同学说，老师老师我听明白了，我听明白了。

但是那个呃那个那个感觉计算量好大呀，感觉计算量好大呀，哎但是那个你知道这些属性之间的选择，它是不相关的吧，我可以并行去做计算的吧，所以明白我的意思了吗，唉我干嘛要去等另外一个算完，我再算呢。

我另外有16个和我同时跑着呗，OK好，所以所以大概这么个意思啊，我我我就说到这儿，然后那个咱们休息5分钟，我们休息5分钟，一会回来，我给大家讲后面的部分，好吧好，呃我来回答几个问题啊，大家听好了。

大家大家先不要先不要刷屏，挺好，我给大家解释一下问题，第一位同学问到说，是不是只有在做决策树回归的时候，才会将连续值这样做，不是你今天去不去相亲，你就不看年龄了吗，年龄就是一个连续值。

做分类的时候一样要用数值型的属性好，我们就问第二个问题，刚才有同学说老师老师你没有讲怎么去掉，确定这个分界啊，哎22~60是不是要取38个属性啊，NO不是听懂听清楚啊，我一开始就给大家说，我列一条数轴。

为什么要列数轴，我要去看一看我有哪些取值，如果今天你的数据集当中只有22岁，23，26岁和60岁三种取值，我we啊，或者说可以更多一点啊，就是不是每隔一岁都有取值的话，为什么要取这38个属性啊。

所以他正确的做法是什么样的，我给大家说一遍啊，我放慢语速说一遍，我希望大家能听明白，我把我整个数据集取过来，我拉了一条数轴，我把我整个数据集上出现过的年龄，从小到大排在这条数轴上。

所以我把我出现过的年龄从小到大排到数轴上，我在任意两个相邻的年龄之间取得它的均值，去作为向它的中间这个均值去作为它的分界点，听明白了吗，大家对于分段对于这个地方的切分的阈值，切分的这个值还有疑问吗。

不一定是38个候选点啊，因为你22岁到60岁之间，并不一定每个年龄都会有取值，所以我拉了一条数轴，把有年龄的值标在上面，在任意的两个连续的对中间，取它的均值作为切分点，还有问题吗，这是分界值的取法。

说明白吗，好嗯其他的问题回头再说。

我们先往下走好了，大家心心念念的回归出来了，呃，决策树这么这么牛逼的模型只能做分类，整个分类太可惜了吧，那不如用它来做一下回归了，所以回归怎么做呢，回归是这样的，呃，这个地方有个例子，在这个例子当中呢。

我要根据一个运动员的从业年限和表现，去问一下这货值多少钱对吧，你知道很多球员踢俱乐部，那他比如说转会或者什么样，他值多少钱，你肯定要根据他的这个呃这个年龄啊，或者是他的这个表现状况啊，去判断一下。

比如说那个C罗啊，大家看他年龄其实已经超过了，大家一般情况下认为最佳的这个年龄了对吧，T嗯最佳的这个踢球踢足球的这个年龄了，但是他表现依旧很好对吧，所以这个时候呢。

我假设我要通过那个从业年限和表现两个维度，去预估他的工资的高低，我把它列到这个上面，然后在这个上面呢大家可以看到有两种不同，有不同的颜色啊，这个地方的那个深色表示说这个地方的深色。

表示说这个这个地方的深色，或者说暖色调表示说很高的收入，冷色调表示说很低的收入，所以大家看到的是诶从业年限比较低，同时表现也不太好的钱就很少啊，从业年限不错，然后表现很好的这些啊。

这些暖色调他实际上他的工资就很高对吧，就是红色和黄色就表示高收入啊，然后蓝色和绿色就表示低收入啊。

这样哎先别管它怎么来的，大家先别管它怎么来的嗯，我们假设有这样的一棵树，这棵树是这样的年龄，从业的年限小于45，四点5年的时候，小于四点5年的时候，全都预估成5。11，大于45年呢，我要再做个判断。

判断一下他的表现，如果他的某一个积分小于117。5，我认为他的工资应该是这样的，如果他的年龄，他的他的表现或他积分是大于117。5，我认为是这样的，决策树最妙的地方就在于说，如果大家去看一看。

这个地方的这样的一个卷回归数，你仔细去看一下这样的一颗回归数，你会发现它实际上是在做什么样的事情啊，它实际上是不是在做这样的事情啊，去把整个平面切分成了三个区域，大家看一下三个region。

这是第一个region，这是第二个region，这是第三个region，告诉我你们看得明白这个东西吗，是不是年限小于4。5的都在这一侧有问题吗，数值大于4。5，要看分，看表现，表现好的在这表现不好的。

在这，告诉我有问题吗，所以大家记住一件事情，大家记住一件事情呃，决策树这种模型啊，它有它自己很独特的地方，还有他自己很独特的地方，这种很独特的地方就在于说，如果说如果说逻辑回归是产出一条决策边界。

去完成分类，回决策树做什么，不管是回归数还是分类数啊，听清楚，不管是回归数还是分类数，就是你拿起一把刀垂直于坐标轴去砍一刀，再垂直于坐标轴再砍一刀，把整个空间砍成一堆的小矩形，能理解我说的意思吗。

回想一下刚才小于30岁和大于30岁，是不是在年龄这个字段上，拿起那把刀，沿着30那个轴砍下去的那一刀，明白我说的意思吗，所以决策树是一种很妙的模型，他做的事情是他不断的对这个空间去做细分。

他拿起那把刀垂直于坐标轴砍这么一刀，觉得不够砍的再去补一刀，垂直于另外一个坐标轴，或者再垂直于某个坐标轴再砍一刀好，你先知道这个东西如何去做预估，以及它的物理含义是什么，我们再往下看。

有人就会说老师老师我知道这个东西长这样了，告诉我吧，怎么长，告诉我这个这棵树怎么长出来的吧。

OK好呃，这是一个回归类的问题，所以回归类的问题呢，预测结果一定是一个连续值，特征向量是这样的，我有很多个维度，X1这个维度X2这个维度X3，这个维度一直到XP这样一个维度对吧。

所以回归数的两个步骤是什么呢，回归数的两个步骤是说，我把整个空间切成这个没有重叠的区域，我拿起那把刀咔咔咔一顿砍，就只能垂直于坐标轴砍，不能斜着砍，呃，我们认为这个地方的决策树啊。

我们常常讲到的决策树是不可以斜着砍的，它一定是垂直于坐标轴一刀一刀的砍，所以改完了以后会生成N个区域。

哎你说N个区域里头会有不同的取值对吧，哎这个区域里面有不好的取值呢，我我怎么去做预估啊，我问大家，我问大家，我问大家一个很有意思的问题啊，就是哎我现在我现在有ABCDEFG，巴拉巴拉巴拉这样一堆的数。

我我要去找到一个数，这个数据和这一堆数的啊，这个均方误差这样的和是最小的，我取我取多少啊，哎你学过不等式吗，我要去找到一个X让X减A的平方，再加上X减B的平方，再加上X减C的平方。

再加上布拉布拉布拉一直往下加，哎我希望这个东西最小我取多少，哎学过均值不等式吗，什么时候去，什么时候取到，什么时候取到最小值，唉说志新的这个同学不错，啊有同学问到说为什么只能垂直于坐标轴哎。

Come on，小于4。5和大于等于4。5，是不是小于4。5，是不是这个这个平面的这一侧呀，大于等于4。5，是不是右边这一侧呀，你怎么斜着砍呢，哎那个刚才那位同学听明白了吗，这垂直于坐标轴是你小于4。

5和，大于等于4。5，是不是只能是垂直的呀，你还能斜着，你还能斜着跑，呃我不知道那个同学有没有听到过这个解释啊，所以那个那个尾号是什么384的同学啊，OK那我就假定你听到了啊，OK好。

然后刚才我问了个问题啊，那个问的问题有同学答出来，答出来了啊，说老师老师，我知道高中所有的不等式，都告诉我们一件事情啊，如果今天这道选择题做不出来。

我就猜答案，不等式的题目，我一定猜他们的均值对了，这个时候呢为了让我和所有的样本点，我的y predict和我的Y啊之间的这个差距最小，我在每个区域里头取什么，我在每个区域里头就取所有预估值的均值。

我就去取所有预估值的均值，哎但是这个东西还是没有告诉我怎么长啊，老师你你你你这个我等了半天，你告诉我怎么找你，告诉我说我划分成这个区域以后，我怎么去，我怎么去给这个预估的结果值，你长在哪儿呢。

别着急别着急，先再想一个问题，这个地方有一个东西叫RSS，这个东西衡量了我预估的结果的一个好坏，告诉我能看看明白吗，第一层CDMA是什么意思，我要遍历整个这个空间，我要遍历整个这个块儿，明白吗。

我要去遍历整个这个块，每个块里头我去求它的误差，是不是这样去计算呢，啊这个公式大家能看明白吗，能看明白，这个东西求出来的是一个总体的误差吗，左边那个sigma是对每一个你划分，你用刀砍出来的小块。

右边那个西格玛是每个小块当中的误差加一起，是不是所有的误差全体的误差有问题吗，我是不是我的回归我的回归我的问题，我想让它尽量的小，我是不是要让这个地方的RS尽量的小。

我是不是要让这个地方的rs尽量的小啊，怎么做怎么做。

马上来了，首先这是一种自顶向下的贪婪式的递归方案，听清楚啊，就是这个问题是没有，你是没有办法用穷尽的方式去拿到最优解的，对，你是没有办法通过穷尽的方式去拿到最优解的，你肯定做不了啊。

这个因为它是它的切分方式，是无穷无尽种的，无穷无无尽种，所以这个时候呢，我们只能用一些启发式的方式去做，所以启发式的方式，这个实际上启发式的方式是一个自顶向下的，贪婪式的递归方案。

所谓的自顶向上是什么意思，自顶向下什么意思呢，是说我从当前的位置开始往那一刀砍下去，只能把已经有的这个区域已经生成出来的区域，再砍成两个区域，听清楚我意思了吗，就是今天如果有这样一个方块。

你第一刀砍了这么一刀，不好意思，第二刀你只能在这个区域，或者这个区域去砍刀了，当然你可以这样砍，也可以这样砍啊，这是随意，你也可以砍在这啊，你砍在哪是随你随意，但是你只能在我新的区域里头去砍。

你不能再回头了啊，你不能说我之前那刀砍的不算，我重新砍诶，这个没有重新砍的，就这样一回事，你砍下去了就砍下去了，你下一步你就是想着呃，你就想着你打这副扑克牌，你牌已经拿到手上了，你就不要想着去换牌了。

你就想着说我现在有这副牌，我怎么打好这副牌，明白了，所以这个就是自顶向下的意思，就是说你一刀砍下去了，你下一刀只能砍在，你只能砍在生成的那个新的小区域里头啊，你别再想把之前的刀再怎么磨掉。

或者怎么样做不了，然后贪婪的意思就是每一次划分，我只我只考虑当前最优，我只考虑当前作用啊，这个没有没有太大意义啊，我只是告诉大家是这样做的，最关键的点在哪，最关键的点在哪，在这个位置，这是最关键的点啊。

这是最关键的点，对有同学提到动态规划，因为这是一个NP问题啊，你你没有办法，你没有办法穷尽了，所以它确实是启发式的方式，诶我问大家一个问题啊，我现在有这样一个区域，我这个区域呢这条轴上有一些取值。

就是我连续值嘛，但跟刚才一样连续值嘛，我画一下树桩，连续值，我画一些树桩，OK那个我有我有多少种不同的砍刀方式啊，这个大家谁告诉我说，如果我选定这个地方这条轴，如果我选定这条轴。

我现在有多少种不同的砍刀方式啊，诶我是不是我是不是可以卡在这，我是不是可以砍在砍在砍在这都可以砍的，啊甚至你在左右也可以砍对吧，哎左右其实没有意义了，因为你砍下去都没有样本了啊，所以左右我先把它忽略掉。

是不是中间每个位置都可以砍呢，哎所以你以为这个算法，你以为这个算法很牛逼吗，这个算法就是一个很常规的算法，它就是把这个地方每一个分裂点，哪一个切分点啊，看清楚啊，这个地方能切的所有的都能落下去的。

所有点啊，每个点都去算一个rs，每个点都去算一个，每个点切下去了之后，他都去算一个rs，这个东西，算的是切出来的左区区域或者是上区域，这个切出来的右区域或者下区域有问题吗，想象一下吧。

拿着刀砍下去了以后不就变成两块了吗，它的误差不是左右两块的误差之和吗，有问题吗，就砍你，你砍下一刀不是左右或者上下吗，不是两块之合吗，现在这个地方的sigma不就是对左对两不同。

对这个砍刀这一刀落下去的两块分别去求吗，没问题吧。

好那我再解释一下什么叫做我，什么叫做递归的砍刀哦，递归的这个这个这个砍这些刀哦，递归的意思是什么，递归的意思是像这样的，这是二分的递归的方式，这个不是递归啊，这个你看不出来啊，这你看不出来。

你不要把一个砍哦，对你不能歪着砍了，所以你只能说唉我砍这一刀，然后我下一次怎么办，下次砍这一刀，我再下次怎么办，我砍这一刀，我再下次怎么办，砍这一刀，这个叫做这个叫做二分的递归切分。

OK那个有同学问到这个问题，说老师，老师这个地方是针对一个特征进行切分的，对吧对，是针对一个特征，我刚才已经告诉大家说，如果我就针对水平的那一位做切分，听清楚啊，我就针对我水平的那一位去做切分。

所以大家看到这个地方确实是，就是他的这个方式很粗暴，听清楚啊，他还会把所有水平上能切分的点全都试一遍，再把数值垂直的这个方向上能切分的，所有的点全试一遍，全试一遍，听清楚了，全是一遍。

Y的值怎么去确定呢，我刚才刚说完的，我说给定理一个区域，这个区域里头的Y怎么去预测啊，我说这个区域里头有一堆的数，ABCDEFG巴拉巴拉巴拉，这个区域里头有一堆不同的数，我怎么去预估一个值。

你所有这些数的平方和最小啊，对吧，我说的是均值，对不对，所以你告诉我，你把所有能砍刀的方式全都试一遍，你是不是可以挑出来那个最好的砍刀的方式了，而且最小的那个方式有问题吗，我这么说，大家有问题吗。

啊有同学说老师老师这个计算量好大的呃，你从人的角度上来说，这个计算量当然很大了，但对计算机而言还好啊，就是计算机而言还好，同时又考虑到这个地方的问题，实际上是可以并行的对。

所以大家先不要纠结这样的问题啊，就是不要去纠结这样的问题，你以为你以为逻辑回归计算量就不大了吗，你输入的维度高的时候，逻辑回归一样，计算量很大，所以那个计算量呢它主要是这个算法，他也没有。

他没有太多可以去做，更非常非常非常牛逼的优化的这样的操作，所以它总是会有一些计算量的，你为了去找到这个比较优的这个结果，还是要付出一些代价。

OK好诶，这个地方还有一个问题，就是有同学提到说老师老师诶，你你这个你你这个数一直往下长就完蛋了，那那那我，我今天我想去预估班上的每个同学的得分，我想去预测预估每个同学的得分，我诶那我岂不是可以。

每每一个，我最后这个数可以生长在每个同学，都在我的叶子节点上对吧，这有什么意义啊，每个同学都在我的叶子节点上，这个有什么意义啊，这里有什么意义啊，所以他可能会过你喝啊。

一会儿我们再说混拟合怎么去处理，我先回到刚才这个问题，有同学问了一个很好的问题，说老师你每切一次，都要对全部的样本去计算一次对吗，诶我问大家一个问题啊，你诶你在这样的情况下，你想一想啊。

你已经切了这一刀，你下次切这一刀唯一变化的是不是这个区域啊，是不是说只需要去管一管这个区域，原来的rs是多少，现在切完这一刀以后，新的rs是多少，RS1S二S二是多少，我是不是算一下这个东西的一个增量。

就可以了呀，我感觉这个地方也是，我只需要算左边这个区域的增量就可以了，我需要把全部都算一遍吗，我这么说能明白我的意思吗，我只关心我砍的那个小区域，我没有砍到的地方，我不管它，它没有动。

所以我只关注我砍下去的那个小区那一刀，他有没有变小，变小了多少，有问题吗，不是不是全部算一遍了，他只他只算我，我砍那一刀的那个区域哦，OK好吧好。

所以我希望我说明白了呃，下一页图中间的那个图也是二分吗，中间这个图就是二分吗，中间这个图就叫做二分递归啊，不是二分啊，二分递归，所以什么叫做递归，递归的意思是我先砍这一刀，我再看这一刀。

我再去看这一刀和这一招，这叫做递归，就是不断的去把区域切成两个区域，这个叫做递归，这叫做递归，OK所以它是它是二分递归，没错。

OK我回到这个地方啊，我刚才说了一个很很可怕的一个问题，叫做过拟合，哎，这棵树可牛逼了，你知道你在这个区域里头有好多散的点对吧，有好多散的点，它都有取值，然后这棵树如果真的牛逼，他可以牛逼到什么程度。

我这些刀你反让我砍呗，我砍的足够多的刀的时候，诶，我今天可不可以把每个样本点，卡在一个小格子里啊，我把每个样本点都砍到一个小格子里对吧，我每个小格子里头就一个就一个样本。

好无比的取均值就是自己误差就是零，好开心的，分分钟就全拟合出来了，哎这有用吗，这有用吗，这有点可怕吧，每个样本都是在一个小格子里，这个对我新样本的预估有什么用啊，这就过拟合了，你就把答案记下来。

你就告诉他说这个是加分点，就在这个小格子里，它取值就是这个没用的，所以怎么办，别让他切这么多刀，谁让你一直切一直切的，所以我们之前在逻辑回归以后，我告诉大家说，我们控制过拟合用什么，我控制过拟合用什么。

用正则化，我们加一个正则化，像我们去惩罚他，我们说哎不能切哦，你这你你你不不是不能弃啊，不能用那个甩甩棍，那么厉害的方式去拟合样本点了，你再甩你再甩，我要我要跟你那个扣分了啊。

所以所以他就他就他就不敢甩对吧，好，这个地方也一样，这个地方我要加一个惩罚项，我加什么惩罚项呃，大家告诉我一个问题，我这棵树刀切的越多，我刀切的越多，是不是越积累越多，我刀切的越多。

我是不是叶子节点越多，我那一刀一刀砍下去，我刀切的越多，是不是叶子节点会越多，所以我把这个叶子节点的数量，以某一个超超参数夹到尾巴上，意思就是我想让rs尽量的小，但是你不能让这个地方尽量的把。

如果这个鬼东西，这个叶子节点太多了，不好意思啊，你这个东西不合格，你回去重做，你这个刀砍太多了，所以所以这个地方的损失，实际上这个地方的误差或者说损失，它实际上在这种情况下。

它在RSS的基础上加入了乘法项，这个乘法项是什么，对叶子节点的数量，乘以阿尔法，你可以学，你可以砍刀，要不要砍太多刀，看多了重做不合格，好，所以这个地方呢大家知道，知道一下它的形式就好了。

哎这里头可能会有一些你没有听过的名词啊，比如说交叉验证，这个我们在后面会给大家讲到，所以大家先不用先听一下就好了啊，不用着急，好那个回归数我就给大家讲到这好吧，所以回归数是一种启发式，它会一直生长。

刚才有同学说千分会穷尽X1和X2的组合吗，它不需要穷尽X1和X组合，它只需要穷尽所有X1的划分点，和所有X2的划分点啊，不是组合不需要组合啊，他每次只砍一刀，只能垂直于某一个坐标轴砍一刀。

所以它只尝试一条轴的所有情况，和另外一条轴的所有情况，但不是一个pair，不是一个组合。

下面介绍一个很牛逼的思想，叫做begin，然后这一页写了一大坨啊，我决定给他个tap，这一页，我今天给大家跳舞这一页。

为什么呢，因为我马上要告诉大家，什么是在我们的机器学习当中，什么是bg bi是一个缩写啊，BEI这个缩写叫做boots trap like rigating，Aggregating。

所以就用了一个叫做boost chapter的一个思想，他他长了这样一件事情，叫做人多力量大，然后呢，这个事情是这样的，如果你要去构建一个模型，这个模型可能是不太准的，OK啊抱歉，这个地方呢写笔误啊。

大家听到这个课的时候呢，你要知道这个地方是T啊，这个地方是T不是M，所以他想了一件这样的事情，诶诶刚才我很很很很害怕一个东西啊，很害怕那个东西叫做过拟合，所以过拟合产生的本质是什么。

过拟合产生的本质是会有一些noise，会有一些噪声点，这些噪声点你怎么你怎么着啊，噪声点你以为他是你，你买了一本课外练习题回来，你以为课外练习题所有答案都是对的，唉拜托他印刷错了，这道题错了。

但是你不知道你把它学下来了，下次你再考到这道题写错了，所以这就是过拟合学太贵了，你们太适合这本参考书了，拿出那本5年高考3年模拟，说我去我把它做完，分分钟上上清北复交，然后那本书里就提错了啊。

然后你就写错了，所以这个地方过敏和相机的原因，实际上很多时候是，因为我们这个地方会有很多的噪声，我们会有一些错误的题，我们有些答案错了的题，但是我不知道，我并不知道这个东西是错的，所以我就拼命的学我。

我我就拼命的学，然后你把你你也不管答案对不对，我觉得这个答案印刷是这样，他肯定是对的，我拼命的去记这个东西，我是按照他的思路去理解，错误的思路去理解，然后将来你去做高考的时候就就很可惜，对吧好。

所以怎么去防止这样一个问题呢，哎你要你要是没有看到这道错题，你不就不会学这道错题了吗，那你看不到这道错题说明什么，说明你要把这道错题，这个这个呃你你你你这一次就不要看到它，所以在这个时候呢。

我们有一个思想是这样的，我们总共会有1000道题，我们总共会有1000道题，我们在这1000道题的基础上，我们把它切成，我们每次从1000道题当中去抽取出来，其中的800道题，每次都取800道题。

当然每次800道题可能不一样啊，就是那个无放回的随机去抽抽800道题，我抽出来以后，我每次都在800道题上去学习出来一个模型，比如说用决策树去学习出来一个决策树的模型。

然后我再对最后的这个结果去做什么呢，如果它是分类问题，我去做投票，少数服从多数，如果他是一个回归问题呢，对回归问题我就求平均，啊大家理解了这个思想吗，begin就是从总的样本当中。

每次抽取出来一部分样本，从总的样本当中每次抽取出来一部分样本，去构建学习器，然后再把这些学习器拿过来去做投票，或者是求平均，因为我只抽800道题，我很可能看不到那道错的题哦。

所以我可能学不到这道错的题啊，所以很有可能会有一些学习期学的是不错的哦，所以比我一个人瞎学可能需要好的，所以这个叫做白点好。

所以这是bedroom对吧，好BGIN的话有另外一个非常牛逼的模型，叫做random forest，叫做随机森林，第二个随机森林啊，随机森林做什么样的事情呢，随机森林做什么事，是做什么样的事情呢。

随机森林是一种基于数模型改进的begin的版本，刚才我只对刚才我只对数据去做采样，听清楚了，我刚才只对我的1000道题当中去抽800道题，数据去做采样，现在在随机分明里面，每一个模型还需要对这个地方的。

还需要对这个地方的特征或者属性去做采样，就是原本可能会有时有有100列，我每次自己取出来，其中的70列，明白吗，就是有些列我也不用，我也不知道哪一列是不是都有用，所以我在构建每一个子模型的时候。

只取了一部分的样本，一部分的样本数据我也只取了一部分的特征，一部分的属性，听明白了吗，其他的东西和刚才的白点是一样的，我说清楚了吗，能理解这个地方的意思，写了一堆文字啊，就是我说的意思。

就是我只每个模型在构建的时候，我只取了其中的一部分样本，同时呢我也只取了其中的一部分特征，就是我没有所有的属性全取，我每次只能挡住一部分属性，我只当你从剩下的属性里头去选，我为了增加它的随机性。

不让它受噪声去干扰。

好，所以你们已经学会了最牛逼的random forest，这个模型，所以这个地方呢给大家看到这个，OK这就是单科决策树，单科决策树啊，单棵决策树在这个场景里面，大家看到单棵决策树很有可能会过拟合。

他会因为这个地方有两个小的样本点，会拉出来一个板，一个区块给他，也因为这个地方的两个样本点，两个样本点去拉出来，这个地方的一个区区块给他，但你看当你用五颗决策树，25棵决策树。

100棵决策树去构建随机森林的时候，它的边缘会变得非常的平滑，他不会那么容易受到noise噪声的干扰，他不会那么容易受到噪声的干扰，这个叫random forest，诶，我来回答几个问题。

有同学说老师呃，那个之前听说有人用了100多个模型去做集成，是这个方法吗，呃他集集成方法有很多种方法，有很多种方式，bin只是其中的一种，它还有一些其他的ending。

那些waiting那些呃stacking都有啊，这个我我后面会给大家讲，这个我后面会给大家讲，然后有同学问到说是有放回还是无放回的，对是有放回的，是有放回的，OK就是在对样本采样的时候是有放回的。

有同学说老师老师没有案例吗，我又没有说要下课着急吗，马上来了案例等我一下，对有些样本没有抽到，有些样本没有抽到，这个同学问到的问题是说到的问题是对的。

啊选择多少个，选择多少个学习器，诶我回答不了你哦，因为如果我能告诉你这个东西的话，诶你还调什么参数啊，你这个模型可牛逼了，你直接往上一怼，比其他模型效果都好，这是一个要调节的参数。

后面我会给大家讲到调参的方法好吧，所以我回答不了你这个问题，选多少个学习期，最好，也没有任何一个数学公式可以回答你这个问题，好吗啊，没有任何一个那个呃。

没有，没有任何任何一个数学公式可以回答这个问题，有同学问到说，老师begin或者集成方法在工业界有用吗，作用很大吗啊有用，但是作用的大小不确定啊，就是有些地方它会用模型去做集成，我们个人的经验是。

像神经网络这样的模型和数模型，数模型包括随机森林，包括一些树的串行模型，他们去做集成效果是很好的啊，这是BEGGIN对，对这样的数模型和神经网络，这样的计算模型去做一个融合，一般效果会很好，嗯嗯好。

我来讲一下案例，无非就是分类和回归呗。

走一遍咯，决策树完成分类的问题，把需要的工具库import进来好。

Import pas s p d，这个是一个数据处理和分析的工具库啊，我给大家，我给大家去那个列了这个说明，哎我发现大家好像很爱问这种参数的问题啊，因为有同学问了一个问题。

说随机森林里抽取的样本数和特征数，怎么定定不了，没有数学公式，这是超参数，有多少个学习器乘多少，样本乘多少，特征都是超参数，一般情况下，根据经验，根据各位我们的经验，取0。0。6到0。8之间的值。

应该会有比较好的结果，就百分比60%到80%，但具体取多少，你要做实验啊，这个经验值也不一定准，它只是一个经验值而已，提供给你参考啊，所以啊我看看是同样一位同学吗，啊不是同一个同学。

那个你问的这个问题没问题啊，说明你在思考，但是这种问题没有明确的数学公式解，这个意思啊，就是如果他有的话，我肯定会告诉大家对，所以这个就是要我们需要我们去调节的，这个参数或者叫超参数啊，这个意思好吧。

那我就继续说我这个案例咯，我这个案例里头所有的地方已经给大家写上了，写上了注释，所以那个我相信大家是能看得懂的，对吧啊，代码我下课再上传啊，我现在在讲课，那我不能停下我的课去给你上传一下代码。

你也不着急，几分钟啊，几分钟以后你就会看到这个案例好不好，先听我把它讲完好吗，不要着急，OK啊，所以把需要的工具库import进来，这个pandas适用于数据工具，适用于数据处理的工具库。

从sk learn cn里头去import一下PROPOSSESSION，我需要对数据做一些预处理，然后我去import一下决策树，决策树在处理里头，OK我用pandas去把数据读进来。

我这个地方有个decision tree点，CSV有一个这样的文件。

我可以用pandas这个工具库去读进来，这个工具非常牛逼，它读进来的数据就会变成行行列列的数据，所以大家看到的就是行行列列的数据，这是一个什么样的问题呢，这是一个很经典的问题。

这个问题的标签或者说你需要去完成的分类，是去判断一个美国的一个一个居民，他的收入是不是比50比5万美元要低，就是比5万美元要低还是要高，这是一个分类问题啊，就是yes or NO。

就是比5万美元到底是要低还是要高，然后我可以去基于这个地方的啊，参考的一些因素是什么呢，或者说基于你可以去做判断的一些因素，包括哪些呢，包括诶大家看到这个地方对，包括大家看到这个地方的这个呃。

第一个第一个这个列叫做world class啊，它到底是一个这个这个给国家干活的公务员呢，还是一个市里面的一个国家公务员，还是市公务员，还是这个私企的员工，还是等等等等这样的因素对吧。

所以大家看到这个地方有什么所谓的这个state，government对吧，有private等等等等啊，啊OK还有一些那个那个什么失业的人群，OK这些都有啊。

然后第二个叫做education education，大家想一想就知道啊，education就是教育程度对吧，所以这个地方呢包括这个呃学士FEATCHA，包括这个可能会有一些高中生毕业啊。

因为在美国其实干这种蓝领啊，这种活实际上也收入也还是可能还是不错的，所以这方面education包括说有学士，有这个硕士，可能会有一些这个高中生可能都会有啊，各种各样的。

然后第三列呢叫做他结婚的这个状态，可以是呃没有结婚啊，未婚过对，然后有这种已婚，也有这种已婚又离异的对吧，哎离婚的，OK然后下面这些东西啊，还有一些其他的因素就是relationship对吧啊。

是那个是是没有结婚的人，就是不在一个家庭当中，然后结了婚的人可能是一个哈曼，是一个丈夫或者是一个一个妻子，OK然后他的种族他是个白人还是黑人，还是黄种人对吧，然后他的性别是男性还是女性啊。

然后他的国家到底是古巴还是这个地方的美国，还是另外的某个国家，OK然后我来看一下这个地方有一些函数啊。

就是info函数就告诉我一些信息，所以他可以把这个地方所有的列告诉你，说它有多少行，它有3万2561行。

OK每一行都是一个类别型的一个变量，然后这个地方消耗了两兆多的内存啊。

就还是比较比较小的内存。

然后我的这个地方的成年人这个数据它的形状，它的形状表示它是多少多少行多少列，所以他有373万多行，3万2561行。

它有九列，OK然后我的列包括哪些列，包括world class education，一些结婚状态，巴拉巴拉巴拉巴拉一堆啊，到最后我我的特征是什么。

我的特征是不是前面这些东西，我的特征是不是前面这样一些东西，我特征是前面这样一些东西对吧，我的是我最后需要去判别的标签是什么，我判断标判别的标签是这个地方的income，是这个地方的收入。

所以我把这个地方写下来，我的特征是前面这么多列，我这个地方的标，我的标签我的Y是这一列。

然后我去把我要的特征和我要的label取出来，所以我根据我列的名字就取出来我要的特征，我再根据我列的名字取出来我要的标签。

然后我给大家看一下，这个时候呢对我就啊拿到了这样的特征。

这就是特征嘛对吧，车身就包括说诶他是哪个什么样的工作类型，什么样的教育程度啊，什么样的一个结婚状态啊。

哪个国家的等等，那他的VIVO呢它的标签呢标签就两种，要么就是小于50K，小于5万美金，然后要么就是大于5万美金，这样啊。

OK然后下面这个地方呢有一点小小的特征，工程特征处理这个大家不用管这个呢。

就是那个我们会在后面的特征工程部分，会给大家重点讲到，你要知道的东西，就是计算机，它很傻，计算机它傻到什么程度呢，你丢给他一个文本型或者字符串型的东西，他是读不懂的，你给他一个类别的东西。

你说我今天买了一件很好看的衣服，是件蓝色衣服，它对于蓝色这个东西是毫无概念的，所以怎么办呢，对你要用一个数字去表示，我给大家举个例子，你你今天星期几，星期几这个东西计算机是读不懂的。

星期几计算机是读不懂的，啊我知道有些同学，你们的基础比另外一些同学要好一点，但是不用着急好吧，就是那个大家也那个啊，各位陈独秀同学稍微收敛一下，不要先先不用不用就说，我给大家先简单解释一下啊。

因为这个这些知识，我们在后面讲到特征工程的时候，大家都会都会懂，所以那个大家嗯先听一下啊，听着我跟着我的节奏来来听一下，对是确实是读了向量编码，但是我要丢出来这样的东西，就有点有点内容太多了。

可能有些同学就会蒙，嗯其实我就想说一件事情，就是计算机呢对于这种类别性的东西，是读不懂的，所以你告诉他说今天星期一啊，今天星期天他毛线都不懂，那怎么办呢，他就想了个办法，他说不如我就把一天切成七天。

我就开七个位置在这，如果是星期一，我就是第一个位置取一，后面的位置全都取零啊，这几个数字了，1234567对吧，如果是第二天啊，如果是星期二，星期二我就变成零一，这样对吧，星期三星期三我就变成这样。

能明白这个意思吗，对这就是刚才啊这位同学说到的这位同独秀，陈独秀同学说到的这个独乐向量编码，OK好吧，然后独立向量编码，意思就是我把类别哎，又占一个位置的形式去告诉他，如果这个位置取一。

就说明是这样一类，如果这个位置取零，它就不是这样一类，所以这个地方有一个处理，叫做叫做这个特征工程的处理。

这样啊，所以这个地方呢，我们用get dis去拿到一个特征工程的处理啊，这个不用管这个，如果大家那个看不懂的话，你先看一眼，因为我们后面会给大家讲到。

好吧，后面我会给大家讲到，所以大概的意思就是说哎呀计算机太傻了。

他读不懂这些类别，他懂不懂这些类别。

所以那个请帮我把它转成一个数字的表达形式，我还能看懂，就这个意思啊。

你就可以认为这个地方做的，就是这样一个事情啊，就这样一个事情好。

所以下面我就开始构建模型了啊，这个事情真的是很简单。

所以构建这个模型呢，我就只需要去构建一个分类器啊，我这次我就不手写了啊，我昨天在把手写蒙蒙了一群同学，就是大家大家看蒙看蒙了一群同学，所以我就决定今天用一下工具库啊。

所以我就搞了一个decision处理的一个分类器啊，Decision to class file，然后告诉他说我要用商去作为我的信息熵，信息增益就作为我的评估的这个准则，然后我最大的数深深度啊。

我限制了一下最大的数深深度是四，然后我就拟合一下我的数据，拟合一下我的特征，拟合一下我的X和Y。

然后下面就拿到了一个分类器，诶，下面这个东西大家照着抄就好了。

这是一个可视化，这棵树是可以可视化的，老师可以告诉你说我为什么去做这样一个决定。

我沿着每个分支走，它会它会是哪个哪什么样的一个决定。

大家看到最底下这个class，大家见到最底下这个class这幅图当中啊，每个框框最底下的class就是它的类别。

那class就两种，小于等于50K对吧，大于50K对吧。

小于等于50K，大于等于大于50K，所以这就是一幅可视化可视化的一幅图。

就告诉大家这些决策树长出来的，决策树长什么样。

那个这个代码我不想给大家多说，这就是个模板，就是个模板，你就把你的那个分类期望有一怼就可以了，结果就出来了，唯一要改的是这个地方啊，就是你的分类的名字不一样吗，对啊，分类的名字。

我这个地方是小于5万美刀和大于5万美刀啊，就我写成这样，如果你现在的这个分类是说，比如说会不会买件衣服。

那就是买和不买嘛，OK所以这就是一个案例啊。

再看另外一个案例是一个随机森林，随机森林，然后这个案例呢反正也挺简单的对，所以随机森林那个那个我刚才给大家讲分类数，我没有说呃，我没有说怎么去控制过拟合是吧，分类数控制过拟合有一些方式啊，比如说减脂。

但是这样的工这样的那个方式呢，在工业界用的不多，工业界就会直接去做一些限制，比如说限制数的深度，对限制数的一些这个呃，每个叶子节点的一些样本数等等，他会做一些这样的限制，所以这个地方我们做一些限制。

因为不做限制，那棵树太大了，它可能会过拟合，所以我就限制了一下，说我允许你的最大的数升就是四，你要涨到四了还往下长，不好意思，不让你涨了，太平了，这个意思明白吧，所以这是一个超参数啊。

就数升是一个超三超参数，我自己手敲了一个超参数是四，它不一定是四啊，它可以是那个其他的一些结果，所以大家理解一下是个意思哈。

好然后这几个地方呢，我们我们在构建这个随机森林啊，去完成一个回归的问题，一个regression，所以随机森林完成回归呢，就是说我建了很多个数，然后我做了一个每棵树都做了一个预估。

我再把预估的结果只去求了个平均啊，就这个意思好了。

然后这个地方呢我就不解释这个工具库了啊，工具库无非就是import pandas，import一下数据的预处理，然后我从on sunday里头去import一下，随机森林的回归器啊。

Random forest regression，然后我用了一个自带的数据库，叫自带的数据集，叫做load boston，Load boston。

哎呦大家知道我现在解释一下啊。

树的深度是树的层次1234。

这是树的深度。

只能用到四个数字段吗，谁告诉你只能用到四个字段的。

这里头有多少个分支啊，这有多少个分支啊，哎你四层四层你就垂垂直往下长啊。

你的数不涨两个分支的，所以所以啊，大家大家大家去那个看一下这个东西。

就明白了啊，就是四层最多涨涨四层，好属性不止四个啊，因为我这里头每每一层都会展开两个分叉，每一层都会展开两个分叉啊，颜色大家不用管颜色，就是为了好看而已，你你可以你可以理解成暖色调和冷色调。

它做一些区分，但是这个地方其实在颜色的深浅，并没有大家想象的那个，你可以认为颜色越深，他越肯定你可以从某种程度上这样去理解啊，呃细节的细节的代码的部分，大家下去以后再问好吧。

那个我如果上课给你每个点都讲了，就会很碎，这个课你回头去听起来，所以我建议大家阅读代码的方式，是不是逐行的去阅读，而是我去了解每一个块在做什么样的事情，我再进到每个块里头，去了解它是怎么实现这个东西的。

而不是一行一行读，一行一行读，很容易蒙的，这个地方代码还短，代码长了你就蒙了，OK所以values是什么意思，values是把那个pandas，data frame当中的南派数组取出来，对啊这个意思。

然后如果我刚才说的话，里头有些名词你听不懂呃，没关系，因为后面我们还会再用到，所以慢慢你就懂了好。

然后加载数据很简单，加载数据加进来了，直接我就可以把贝把X取出来，把Y取帅啊，所以贝塔就是X。

他给的就是Y啊，贝塔就是X，他给的是Y，然后这个地方呢，反正就是一堆的这个房子信息呗。

我去做房子价格预估啊，我要搞告诉他说这个区域的一个犯罪率有多高，然后巴拉巴拉巴拉吧，然后这个这个地方的那个那个居民的这个，比如说啊居民的人均的这个呃人均的这个站，就是说自己住宅。

住宅的这个面积有多大啊对吧，然后啊这个地方会有一些其他的啊，不拉巴拉巴拉巴拉。

反正有一些信息，我用于这个这个地方的这个回归问题的解决，然后呢把数据读出来，大家看一下，这个就是一个一个的样本，这是一个样本，这是第二个样本，这是第三个样本，这是第四个样本啊，这是第四个样本的特征。

大家听清楚啊，第四个样本的特征。

我只取了我只取了五个样本。

我把五个样本的特征全都打给大家看啊，这是用科学计数法，然后我把所有的这些样本的标签。

达到的价格是多少万美刀，OK240000美刀还是21。6万美刀，还是34。7万美刀啊，还是说是一般有贵的50万美刀啊，这样然后所以这个东西就是Y这个东西就是X。

我就把X和Y送到这个地方的random forest。

regressive当中去学习，我先告诉他说我要取15棵树去做预估，我的NAUTHATTERS，就是我那个随机森林取的多少棵树，我要取15棵树去做学习，我用这15棵树的这样的regression。

去fate一下我的X和Y好，很简单，secular用起来很简单，secular是所有的secular，所有的监督学习的model全都是feat，这就表示拟合拟合一下XY他就开始学习了。

然后我们就可以拿到一个这样的回归器。

我们就可以用这个回归器去预估一下，我现在波士顿的这个features。

我们去看一下他预估的结果，下面这个东西就是他预估的结果，这就是他预估的结果。

OK然后下面这个地方呢，你你可以去用这个regression，这个是默认的，刚才我给了15棵树，它默认的应该是十棵树吧，如果没记错的话。

对这个random service regressor它是有些参数的。

然后它这个地方的参数，比如说我们看一下，默认默认的树的棵树是十棵树，对默认的ns litters值是等于十，K是等于十的啊，然后我刚才是给了15嘛对吧。

如果我给参数，它就会以参数去初始化了，所以我我刚才这个地方啊，我在下面我是给了15嘛对吧，我是给了15吗。

好啊，下面这个地方呢我又重新跑了一遍，这个时候没有给没有给就是十嘛，就是十棵树嘛啊具体多少棵树最好，这个我们后面再学好吧，嗯这个我们后面再学，对每棵树就是一种样本和属性的采样，没错你说的很对。

我们都是用决策树，我们都是用决策树，我们只是15棵树，用了不同的样本和不同的属性好，有同学说设置了15棵树后，模型的内部做了什么模型，内部拆除了15颗，准备好了15个模型，去15个决策树的模型去拟合。

现在这个数据OK明白了吗，然后再对结果预估的结果去做一个平求平均，因为现在是回归求平均，所以啊我说明白了吗，所以当你设定N等于N等于15的时候，他就准备好了15棵树等着去学，OK这个意思。

设置属性的个数在哪，刚才我设过来，这不在这吗，这是属属性的个数啊。

sorry属性的个数在这，matt features属性的个数在这。

你可以取，比如说啊0。6他就取60%的属性，60%的全部特征的60%的特征。

比如说这个地方还会有一些其他的啊，这个地方是max feature。

你还可以选max，你可以取simple啊，就是关于这个样本样本去做采样啊，样本做采样都可以在这里去选，OK好吧。

每棵树随机采取采样多少不同的样本，看读它的APIAPI不是在这吗。

max feature读它的default是什么，default是default。

是它默认的值，它会有一个默认的值的，它会有个默认的值啊，对这个参数大家看文档就好了，没错，它是呃对不同的数据集哦，它是对相同的数据做采样以后，得到不同的数据集，去构建了15棵树去求平均好不好。

那个我希望大家在学习这些，你们可以提问题，没问题，我觉得好的问题我会回答，有些问题的话呃，就是我不太建议给大家的方式是一直喂饭，就你看我不会给大家列一个文档，我不练这种东西。

因为列文档这个东西的话就没意义了，我希望大家在上完这个课以后，这个这个书关上你能记得一些核心的点，你能记得老师说最重要的点在哪，这些东西是最重要的，他们可以散开来，我要解决这个问题的话。

我查API谁都会查，有一个说明文档谁都会用，然后你需要记住的东西是，这个算法的核心是什么，哪些东西会影响我现在的学习啊，这个这个是比较重要的，CELINE当中必须是二叉树吗。

对CELINE当中没有实现id3和C4。5，它实现的是cut啊，对就是一般工业界的工具库实现的都是CD，所以都是二叉树啊，都是二叉树，模型内部构建15个数的方法都一样，只是样本不同对吧，样本样本不同。

特征也不一样，样本不同，它的每一次生长的时候选取的特征也不一样，对属性也不一样，没错，工业业做机器学习，是不是大部分时间都花在数据处理，数据处理中啊，数据处理确实会花掉一大部分的时间。

但是模型我们也会去做研究啊，模型我们也会做研究好，那个今天我就给大家讲到这儿好吗，大家有更多的问题可以在QQ群里再交流，我会下课，马上把这个地方的两个案例和数据，打包发到群里，好不好。

我希望今天的课大家听完对决策树这种模型啊，或者是随机生成量的模型，回归数会都有一些认识，大家记住我说的最重要的核心点，这个核心点非常的重要，对所以我希望大家能够回看到这个课的时候。

或者回顾这个算法的时候，能记住最核心的这样一些点，这就够了，好的你们有问题，你们在QQ群里再和我去啊，交流好吧好谢谢大家。

标签：这个,在线,一个,笔记,公开课,具体,然后,我们,就是
From： https://www.cnblogs.com/apachecn/p/18498033