文章轉自微信公眾號:機器學習與人工智慧AI
文章原始連結:https://mp.weixin.qq.com/s/4njH2Uc96-zmkh1cWq41Dw
今天分享的Python核心操作，是圍繞著資料科學的周邊展開，涉及到Numpy、Pandas、以及機器學習庫，sklearn、pytorch、TensorFlow等等。
1. 導入庫並設定預設參數
介紹：
導入Python資料科學常用函式庫並設定一些預設參數，例如顯示所有欄位、禁止科學計數法等。
範例：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
pd.set_option('display.max_columns', None) # 显示所有列
pd.set_option('display.float_format', lambda x: '%.3f' % x) # 禁用科学计数法
sns.set(style="whitegrid") # 设置默认Seaborn样式
2. 建立多維NumPy數組並檢查其屬性
介紹：
建立一個2x3的NumPy數組，並檢查其形狀、維度和資料類型。
範例：
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape) # (2, 3)
print(arr.ndim) # 2
print(arr.dtype) # int64
3. NumPy數組的基礎操作
介紹：
在NumPy數組上進行基礎數學運算，如加減乘除。
範例：
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
sum_arr = arr1 + arr2 # 元素加法 [5, 7, 9]
mul_arr = arr1 * arr2 # 元素乘法 [4, 10, 18]
exp_arr = np.exp(arr1) # 指数 [2.718, 7.389, 20.085]
4. 產生隨機數矩陣
介紹：
產生一個3x3的隨機矩陣，可以指定範圍。
範例：
random_matrix = np.random.randint(1, 100, size=(3, 3))
print(random_matrix)
5. Pandas創建DataFrame並查看基本信息
介紹：
建立DataFrame並查看其前幾行、資料類型等資訊。
範例：
data = {'Name': ['Tom', 'Jerry', 'Spike'],
'Age': [25, 30, 22],
'Score': [85.5, 90.1, 78.3]}
df = pd.DataFrame(data)
print(df.head()) # 查看前几行
print(df.info()) # 数据类型和非空计数
print(df.describe()) # 统计描述
6. 讀取CSV檔案並處理缺失值
介紹：
從CSV檔案讀取數據，並處理缺失值，如填充或刪除缺失資料。
範例：
df = pd.read_csv('data.csv')
# 查看缺失值情况
print(df.isnull().sum())
# 填充缺失值
df['column_name'].fillna(df['column_name'].mean(), inplace=True)
# 或者删除有缺失值的行
df.dropna(inplace=True)
7. Pandas篩選數據
介紹：
透過條件篩選DataFrame中的資料。
範例：
df_filtered = df[df['Age'] > 25] # 筛选年龄大于25的行
8. Pandas分組操作
介紹：
對DataFrame進行分組操作，常用於聚合統計。
範例：
grouped = df.groupby('Category')
mean_scores = grouped['Score'].mean() # 计算每个分类的平均得分
9. Pandas資料透視表
介紹：
建立資料透視表用於資料匯總和分析。
範例：
pivot_table = pd.pivot_table(df, values='Score', index='Category', columns='Gender', aggfunc=np.mean)
print(pivot_table)
10. 資料視覺化- 基本Matplotlib繪圖
介紹：
使用Matplotlib繪製簡單的折線圖。
範例：
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title('Sine Wave')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()
11. Seaborn資料視覺化- 線性迴歸圖
介紹：
使用Seaborn繪製帶有迴歸線的散佈圖。
範例：
sns.lmplot(x='Age', y='Score', data=df, height=6, aspect=1.5)
plt.show()
12. Matplotlib繪製多子圖
介紹：
在同一畫布上繪製多個子圖。
範例：
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0, 0].plot(x, y)
axes[0, 1].plot(x, np.cos(x))
axes[1, 0].plot(x, np.tan(x))
axes[1, 1].plot(x, -y)
plt.show()
13. Seaborn資料分佈視覺化
介紹：
繪製資料的分佈圖，直觀展示資料分佈形態。
範例：
sns.histplot(df['Score'], kde=True)
plt.show()
14. Pandas處理日期數據
介紹：
將字串轉換為日期格式，並進行日期操作。
範例：
df['Date'] = pd.to_datetime(df['Date'], format='%Y-%m-%d')
df['Year'] = df['Date'].dt.year
df['Month'] = df['Date'].dt.month
15. Pandas合併DataFrame
介紹：
透過merge操作合併兩個DataFrame，類似SQL中的JOIN操作。
範例：
df1 = pd.DataFrame({'key': ['A', 'B', 'C'], 'value': [1, 2, 3]})
df2 = pd.DataFrame({'key': ['A', 'B', 'D'], 'value': [4, 5, 6]})
merged_df = pd.merge(df1, df2, on='key', how='inner') # 内连接
16. Pandas透視表和層次化索引
介紹：
使用透視表進行資料聚合和層次化索引操作。
範例：
pivot = pd.pivot_table(df, values='Sales', index=['Region', 'Product'], columns='Year', aggfunc='sum')
17. 處理類別變數
介紹：
將類別變數轉換為數值類型（如使用啞變數）。
範例：
df = pd.get_dummies(df, columns=['Category'], drop_first=True)
18. 繪製相關性矩陣與熱力圖
介紹：
計算DataFrame的相關性並繪製熱力圖，展示變數之間的線性關係。
範例：
corr_matrix = df.corr()
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
plt.show()
19. 拆分訓練集和測試集
介紹：
使用sklearn庫將資料集劃分為訓練集和測試集。
範例：
from sklearn.model_selection import train_test_split
X = df[['Age', 'Score']]
y = df['Outcome']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
20. 建構線性迴歸模型
介紹：
使用sklearn建立並訓練線性迴歸模型。
範例：
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
21. 模型評估- 均方誤差
介紹：
計算模型的均方誤差(MSE)，評估模型表現。
範例：
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_test, predictions)
print(f'MSE: {mse:.3f}')
22. 交叉驗證
介紹：
使用交叉驗證評估模型的穩定性和泛化性能。
範例：
from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5, scoring='neg_mean_squared_error')
print(f'Cross-validated MSE: {-scores.mean():.3f}')
23. 標準化數據
介紹：
標準化特徵以便將其縮放至同一量綱。
範例：
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
24. 決策樹模型
介紹：
使用sklearn庫建立決策樹分類模型。
範例：
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)
accuracy = clf.score(X_test, y_test)
print(f'Accuracy: {accuracy:.3f}')
25. 隨機森林模型
介紹：
使用隨機森林演算法進行分類。
範例：
from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)
accuracy = rf.score(X_test, y_test)
print(f'Accuracy: {accuracy:.3f}')
26. 特徵重要性
介紹：
使用隨機森林提取重要特徵。
範例：
feature_importances = rf.feature_importances_
print(feature_importances)
27. PCA主成分分析
介紹：
使用PCA降維，減少資料的維度。
範例：
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)
28. K-Means聚類
介紹：
使用K-Means演算法進行無監督學習，進行聚類分析。
範例：
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3, random_state=42)
kmeans.fit(X)
labels = kmeans.labels_
29. 評價聚類結果
介紹：
計算輪廓係數(Silhouette Score)評估聚類效果。
範例：
from sklearn.metrics import silhouette_score
score = silhouette_score(X, labels)
print(f'Silhouette Score: {score:.3f}')
30. 邏輯迴歸模型
介紹：
建立邏輯迴歸模型用於分類。
範例：
from sklearn.linear_model import LogisticRegression
log_reg = LogisticRegression()
log_reg.fit(X_train, y_train)
accuracy = log_reg.score(X_test, y_test)
print(f'Accuracy: {accuracy:.3f}')
31. Grid Search 網格搜索
介紹：
透過網格搜尋來調優模型超參數，尋找最佳參數組合。
範例：
from sklearn.model_selection import GridSearchCV
param_grid = {'n_estimators': [50, 100, 200], 'max_depth': [None, 10, 20]}
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)
print(f'Best parameters: {grid_search.best_params_}')
print(f'Best score: {grid_search.best_score_}')
32. Randomized Search 隨機搜索
介紹：
隨機搜尋用於尋找最佳超參數，比網格搜尋更快適用於大範圍參數搜尋。
範例：
from sklearn.model_selection import RandomizedSearchCV
param_dist = {'n_estimators': [50, 100, 200], 'max_depth': [None, 10, 20]}
random_search = RandomizedSearchCV(estimator=rf, param_distributions=param_dist, n_iter=10, cv=5)
random_search.fit(X_train, y_train)
print(f'Best parameters: {random_search.best_params_}')
33. XGBoost模型
介紹：
使用XGBoost進行梯度提升分類。
範例：
from xgboost import XGBClassifier
xgb_model = XGBClassifier(n_estimators=100, random_state=42)
xgb_model.fit(X_train, y_train)
accuracy = xgb_model.score(X_test, y_test)
print(f'Accuracy: {accuracy:.3f}')
34. LightGBM模型
介紹：
使用LightGBM進行快速梯度提升分類。
範例：
import lightgbm as lgb
lgb_model = lgb.LGBMClassifier(n_estimators=100, random_state=42)
lgb_model.fit(X_train, y_train)
accuracy = lgb_model.score(X_test, y_test)
print(f'Accuracy: {accuracy:.3f}')
35. CatBoost模型
介紹：
使用CatBoost處理類別特徵的梯度提升模型。
範例：
from catboost import CatBoostClassifier
cat_model = CatBoostClassifier(n_estimators=100, random_state=42, verbose=0)
cat_model.fit(X_train, y_train)
accuracy = cat_model.score(X_test, y_test)
print(f'Accuracy: {accuracy:.3f}')
36. 支援向量機（SVM）分類
介紹：
使用SVM進行二分類任務，適用於高維度資料。
範例：
from sklearn.svm import SVC
svm_model = SVC(kernel='linear', C=1)
svm_model.fit(X_train, y_train)
accuracy = svm_model.score(X_test, y_test)
print(f'Accuracy: {accuracy:.3f}')
37. K近鄰演算法（KNN）分類
介紹：
使用KNN演算法進行分類。
範例：
from sklearn.neighbors import KNeighborsClassifier
knn_model = KNeighborsClassifier(n_neighbors=5)
knn_model.fit(X_train, y_train)
accuracy = knn_model.score(X_test, y_test)
print(f'Accuracy: {accuracy:.3f}')
38. 多項式迴歸
介紹：
使用多項式迴歸進行非線性關係建模。
範例：
from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=3)
X_poly = poly.fit_transform(X)
lin_reg = LinearRegression()
lin_reg.fit(X_poly, y)
39. 嶺迴歸（L2正規化）
介紹：
使用嶺迴歸（L2正則化）以防止過擬合。
範例：
from sklearn.linear_model import Ridge
ridge_model = Ridge(alpha=1.0)
ridge_model.fit(X_train, y_train)
40. Lasso回歸（L1正則化）
介紹：
使用Lasso回歸（L1正則化）進行特徵選擇。
範例：
from sklearn.linear_model import Lasso
lasso_model = Lasso(alpha=0.1)
lasso_model.fit(X_train, y_train)
41. ElasticNet回歸
介紹：
結合L1和L2正規化的ElasticNet回歸。
範例：
from sklearn.linear_model import ElasticNet
enet_model = ElasticNet(alpha=0.1, l1_ratio=0.7)
enet_model.fit(X_train, y_train)
42. Stochastic Gradient Descent (SGD)分類
介紹：
使用SGD進行大規模線性分類任務。
範例：
from sklearn.linear_model import SGDClassifier
sgd_model = SGDClassifier(max_iter=1000, tol=1e-3)
sgd_model.fit(X_train, y_train)
43. DBSCAN密度聚類
介紹：
使用DBSCAN進行密度聚類，適用於非凸形狀資料。
範例：
from sklearn.cluster import DBSCAN
dbscan = DBSCAN(eps=0.5, min_samples=5)
labels = dbscan.fit_predict(X)
44. 層次聚類
介紹：
使用層次聚類進行無監督學習並視覺化聚類層次。
範例：
from scipy.cluster.hierarchy import dendrogram, linkage
linked = linkage(X, method='ward')
dendrogram(linked)
plt.show()
45. 孤立森林（異常檢測）
介紹：
使用孤立森林進行異常檢測。
範例：
from sklearn.ensemble import IsolationForest
iso_forest = IsolationForest(contamination=0.1)
iso_forest.fit(X)
anomalies = iso_forest.predict(X)
46. 主成分分析（PCA）視覺化
介紹：
將PCA結果進行視覺化，展示降維後資料的分佈。
範例：
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y)
plt.title('PCA Visualization')
plt.show()
47. t-SNE降維可視化
介紹：
使用t-SNE進行降維並視覺化高維度資料的分佈。
範例：
from sklearn.manifold import TSNE
tsne = TSNE(n_components=2, random_state=42)
X_tsne = tsne.fit_transform(X)
plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=y)
plt.title('t-SNE Visualization')
plt.show()
48. ROC曲線繪製
介紹：
繪製Receiver Operating Characteristic (ROC)曲線，評估二分類模型的表現。
範例：
from sklearn.metrics import roc_curve, auc
y_prob = model.predict_proba(X_test)[:, 1]
fpr, tpr, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(fpr, tpr)
plt.plot(fpr, tpr, label=f'AUC = {roc_auc:.3f}')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend()
plt.show()
49. 混淆矩陣
介紹：
使用混淆矩陣評估分類模型的表現。
範例：
from sklearn.metrics import confusion_matrix
y_pred = model.predict(X_test)
cm = confusion_matrix(y_test, y_pred)
sns.heatmap(cm, annot=True, fmt='d')
plt.title('Confusion Matrix')
plt.show()
50. 精準度、召回率和F1分數
介紹：
計算分類模型的精確度、召回率和F1分數，用於評估模型效能。
範例：
from sklearn.metrics import precision_score, recall_score, f1_score
y_pred = model.predict(X_test)
precision = precision_score(y_test, y_pred, average='weighted')
recall = recall_score(y_test, y_pred, average='weighted')
f1 = f1_score(y_test, y_pred, average='weighted')
print(f'Precision: {precision:.3f}')
print(f'Recall: {recall:.3f}')
print(f'F1 Score: {f1:.3f}')
51. 特徵選擇- 基於模型的選擇
介紹：
使用模型的特徵重要性進行特徵選擇。
範例：
from sklearn.feature_selection import SelectFromModel
selector = SelectFromModel(rf, threshold='mean')
X_selected = selector.fit_transform(X_train, y_train)
52. 交叉驗證- 分層K折
介紹：
使用分層K折交叉驗證確保每個折中類別分佈均勻。
範例：
from sklearn.model_selection import StratifiedKFold
skf = StratifiedKFold(n_splits=5)
for train_index, test_index in skf.split(X, y):
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]
53. 標準化和歸一化
介紹：
數據標準化（z-score標準化）和歸一化（min-max縮放）。
範例：
from sklearn.preprocessing import StandardScaler, MinMaxScaler
# 标准化
scaler = StandardScaler()
X_standardized = scaler.fit_transform(X)
# 归一化
minmax_scaler = MinMaxScaler()
X_normalized = minmax_scaler.fit_transform(X)
54. 資料拆分- 自訂拆分
介紹：
根據自訂條件拆分資料集。
範例：
train_df = df[df['Year'] < 2020]
test_df = df[df['Year'] >= 2020]
55. 時間序列分析- 自相關圖
介紹：
繪製自相關圖分析時間序列資料的相關性。
範例：
from statsmodels.graphics.tsaplots import plot_acf
plot_acf(df['value'])
plt.show()
56. 時間序列分析- 滾動均值
介紹：
計算和繪製滾動平均值以平滑時間序列資料。
範例：
df['Rolling_Mean'] = df['value'].rolling(window=12).mean()
df[['value', 'Rolling_Mean']].plot()
plt.show()
57. 資料處理- 應用函數
介紹：
在Pandas DataFrame的欄位上套用自訂函數。
範例：
def custom_function(x):
return x * 2
df['new_column'] = df['column_name'].apply(custom_function)
58. 資料處理- 資料透視表的總和函數
介紹：
使用資料透視表進行更複雜的聚合操作。
範例：
pivot_table = pd.pivot_table(df, values='Sales', index='Region', columns='Product', aggfunc={'Sales': np.sum, 'Profit': np.mean})
59. 交叉表
介紹：
建立交叉表用於分析類別變數之間的關係。
範例：
crosstab = pd.crosstab(df['Category'], df['Outcome'])
60. 資料處理- 資料清洗
介紹：
處理重複資料和異常值。
範例：
df = df.drop_duplicates() # 删除重复行
df = df[df['column_name'] < threshold] # 处理异常值
61. 分佈擬合- 常態分佈
介紹：
使用scipy庫擬合資料到常態分佈。
範例：
from scipy import stats
mu, std = stats.norm.fit(df['value'])
62. 線性模型- 多項式迴歸
介紹：
擴展線性模型以處理非線性數據。
範例：
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
poly = PolynomialFeatures(degree=3)
X_poly = poly.fit_transform(X)
model = LinearRegression()
model.fit(X_poly, y)
63. 深度學習- TensorFlow基礎
介紹：
使用TensorFlow進行基本的深度學習模型建構。
範例：
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
model = Sequential([
Dense(64, activation='relu', input_shape=(input_dim,)),
Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=5)
64. 深度學習- Keras基礎
介紹：
使用Keras建立和訓練深度學習模型。
範例：
from keras.models import Sequential
from keras.layers import Dense
model = Sequential([
Dense(128, activation='relu', input_shape=(input_dim,)),
Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10)
65. 模型保存與載入
介紹：
保存和載入深度學習模型。
範例：
model.save('my_model.h5') # 保存模型
loaded_model = tf.keras.models.load_model('my_model.h5') # 加载模型
66. 模型評估- 混淆矩陣與分類報告
介紹：
評估模型效能並產生分類報告。
範例：
from sklearn.metrics import classification_report
y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred))
67. 超參數調優- 貝葉斯最佳化
介紹：
使用貝葉斯最佳化進行超參數調優。
範例：
from skopt import BayesSearchCV
bayes_search = BayesSearchCV(estimator=rf, search_spaces={'n_estimators': (50, 200), 'max_depth': (5, 30)}, n_iter=50)
bayes_search.fit(X_train, y_train)
print(f'Best parameters: {bayes_search.best_params_}')
68. 時間序列- 季節性分解
介紹：
分解時間序列資料為趨勢、季節性和殘差成分。
範例：
from statsmodels.tsa.seasonal import seasonal_decompose
decomposition = seasonal_decompose(df['value'], model='additive', period=12)
decomposition.plot()
plt.show()
69. 時間序列- ARIMA模型
介紹：
使用ARIMA模型進行時間序列預測。
範例：
from statsmodels.tsa.arima_model import ARIMA
model = ARIMA(df['value'], order=(5,1,0))
model_fit = model.fit(disp=0)
forecast = model_fit.forecast(steps=10)[0]
70. 異常檢測- LOF（局部離群因子）
介紹：
使用LOF進行異常檢測。
範例：
from sklearn.neighbors import LocalOutlierFactor
lof = LocalOutlierFactor(n_neighbors=20)
outliers = lof.fit_predict(X)
71. 協方差矩陣
介紹：
計算資料的協方差矩陣，了解變數之間的線性關係。
範例：
covariance_matrix = np.cov(df[['x1', 'x2']].T)
72. 條件機率計算
介紹：
計算類別變數的條件機率。
範例：：
conditional_prob = pd.crosstab(df['Category'], df['Outcome'], normalize='index')
73. 資訊增益計算
介紹：
計算資訊增益，用於特徵選擇。
範例：
from sklearn.feature_selection import mutual_info_classif
mi = mutual_info_classif(X, y)
74. 常態性檢定- Shapiro-Wilk檢驗
介紹：
使用Shapiro-Wilk檢定檢查資料是否服從常態分佈。
範例：
from scipy.stats import shapiro
stat, p_value = shapiro(df['value'])
75. 變異數分析（ANOVA）
介紹：
進行變異數分析來比較不同組別之間的平均值。
範例：
from scipy.stats import f_oneway
f_stat, p_value = f_oneway(df['group1'], df['group2'], df['group3'])
76. Bootstrapping
介紹：
使用自助法進行模型評估和不確定性估計。
範例：
from sklearn.utils import resample
bootstrapped_samples = resample(df, n_samples=1000, random_state=42)
77. 貝葉斯網絡
介紹：
使用貝葉斯網路進行機率推斷。
範例：
from pomegranate import BayesianNetwork
model = BayesianNetwork.from_samples(X, algorithm='chow-liu')
78. 決策樹視覺化
介紹：
可視化決策樹以理解模型決策過程。
範例：
from sklearn.tree import export_graphviz
import graphviz
dot_data = export_graphviz(clf, out_file=None, feature_names=X.columns, class_names=['0', '1'], filled=True, rounded=True)
graph = graphviz.Source(dot_data)
graph.render('decision_tree')
79. 熱圖
介紹：
使用熱圖展示資料的相關性或頻率。
範例：
import seaborn as sns
sns.heatmap(df.corr(), annot=True, cmap='coolwarm')
plt.show()
80. 3D散點圖
介紹：
繪製三維散點圖以視覺化三維資料。
範例：
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(df['x1'], df['x2'], df['x3'])
plt.show()
81. 小提琴圖
介紹：
使用小提琴圖展示資料分佈的密度。
範例：
sns.violinplot(x='Category', y='Value', data=df)
plt.show()
82. 箱線圖
介紹：
使用箱線圖展示資料的分佈及異常值。
範例：
sns.boxplot(x='Category', y='Value', data=df)
plt.show()
83. 直方圖
介紹：
繪製直方圖以顯示資料的分佈。
範例：
df['value'].hist(bins=30)
plt.show()
84. KDE（核密度估計）
介紹：
繪製KDE圖以估計資料的機率密度函數。
範例：
sns.kdeplot(df['value'])
plt.show()
85. 圖形化模型效能
介紹：
使用不同圖形展示模型效能，例如學習曲線。
範例：
from sklearn.model_selection import learning_curve
train_sizes, train_scores, test_scores = learning_curve(model, X, y, cv=5)
plt.plot(train_sizes, train_scores.mean(axis=1), 'o-', label='Training score')
plt.plot(train_sizes, test_scores.mean(axis=1), 'o-', label='Test score')
plt.xlabel('Training examples')
plt.ylabel('Score')
plt.title('Learning Curve')
plt.legend()
plt.show()
86. 模型的係數可視化
介紹：
可視化線性模型的係數，以理解特徵對預測的影響。
範例：
coef = model.coef_
plt.bar(range(len(coef)), coef)
plt.xlabel('Feature index')
plt.ylabel('Coefficient value')
plt.title('Model Coefficients')
plt.show()
87. RNN基礎
介紹：
建構簡單的循環神經網路（RNN）進行序列預測。
範例：
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import SimpleRNN, Dense
model = Sequential([
SimpleRNN(50, input_shape=(timesteps, features)),
Dense(1)
])
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X_train, y_train, epochs=10)
88. LSTM網絡
介紹：
使用長短期記憶網路（LSTM）進行序列資料預測。
範例：
from tensorflow.keras.layers import LSTM
model = Sequential([
LSTM(50, input_shape=(timesteps, features)),
Dense(1)
])
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X_train, y_train, epochs=10)
89. 數據增強
介紹：
在影像資料上使用資料增強技術進行模型訓練。
範例：
from tensorflow.keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(
rotation_range=40,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
fill_mode='nearest'
)
datagen.fit(X_train)
90. 圖神經網路（GNN）基礎
介紹：
使用圖神經網路處理圖結構資料。
範例：
import torch
from torch_geometric.nn import GCNConv
class GCN(torch.nn.Module):
def __init__(self):
super(GCN, self).__init__()
self.conv1 = GCNConv(num_features, 64)
self.conv2 = GCNConv(64, num_classes)
def forward(self, data):
x, edge_index = data.x, data.edge_index
x = self.conv1(x, edge_index)
x = x.relu()
x = self.conv2(x, edge_index)
return x
91. 自動編碼器
介紹：
建立自動編碼器進行資料降維和特徵學習。
範例：
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model
input_layer = Input(shape=(input_dim,))
encoded = Dense(64, activation='relu')(input_layer)
decoded = Dense(input_dim, activation='sigmoid')(encoded)
autoencoder = Model(input_layer, decoded)
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
autoencoder.fit(X_train, X_train, epochs=50)
92. 生成對抗網路（GAN）
介紹：
使用GAN產生新的資料樣本。
範例：
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model
# Generator
noise = Input(shape=(100,))
x = Dense(128, activation='relu')(noise)
generated_image = Dense(784, activation='sigmoid')(x)
generator = Model(noise, generated_image)
# Discriminator
image = Input(shape=(784,))
x = Dense(128, activation='relu')(image)
validity = Dense(1, activation='sigmoid')(x)
discriminator = Model(image, validity)
93. 影像分類- 卷積神經網路（CNN）
介紹：
建構卷積神經網路進行影像分類。
範例：
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)),
MaxPooling2D((2, 2)),
Conv2D(64, (3, 3), activation='
relu'),
MaxPooling2D((2, 2)),
Flatten(),
Dense(64, activation='relu'),
Dense(num_classes, activation='softmax')
])
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10)
94. 異常檢測- Isolation Forest
介紹：
使用Isolation Forest進行異常檢測。
範例：
from sklearn.ensemble import IsolationForest
iso_forest = IsolationForest(contamination=0.1)
outliers = iso_forest.fit_predict(X)
95. 模型融合- 隨機森林與梯度提升
介紹：
結合隨機森林和梯度提升模型進行模型融合。
範例：
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.ensemble import VotingClassifier
rf = RandomForestClassifier(n_estimators=100)
gb = GradientBoostingClassifier(n_estimators=100)
ensemble_model = VotingClassifier(estimators=[('rf', rf), ('gb', gb)], voting='soft')
ensemble_model.fit(X_train, y_train)
96. 主成分分析（PCA）視覺化
介紹：
使用PCA降維並視覺化資料。
範例：
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y)
plt.xlabel('PCA 1')
plt.ylabel('PCA 2')
plt.title('PCA of dataset')
plt.show()
97. 特徵重要性視覺化
介紹：
可視化特徵的重要性評分。
範例：
feature_importances = model.feature_importances_
plt.bar(range(len(feature_importances)), feature_importances)
plt.xlabel('Feature index')
plt.ylabel('Importance')
plt.title('Feature Importances')
plt.show()
98. 超參數搜索- 網格搜索
介紹：
使用網格搜尋進行超參數最佳化。
範例：
from sklearn.model_selection import GridSearchCV
param_grid = {'n_estimators': [50, 100, 200], 'max_depth': [10, 20, 30]}
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)
print(f'Best parameters: {grid_search.best_params_}')
99. 時間序列預測- SARIMA
介紹：
使用SARIMA進行季節性時間序列預測。
範例：
from statsmodels.tsa.statespace.sarimax import SARIMAX
model = SARIMAX(df['value'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))
model_fit = model.fit(disp=0)
forecast = model_fit.forecast(steps=10)
100. 文字資料- 詞雲
介紹：
使用詞雲可視化文字資料中的關鍵字。
範例：
from wordcloud import WordCloud
text = ' '.join(df['text_column'])
wordcloud = WordCloud(width=800, height=400, background_color='white').generate(text)
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off')
plt.show()