回归涉及的函数

当然可以！以下是你学习笔记中涉及到的函数的详细讲解：

1. 导入必要的库

• import: 用于导入所需的库和模块。例如，import numpy as np 导入 NumPy 库并简写为 np。

2. 读取数据

• pd.read_csv('temps.csv'):
  • 读取指定路径的 CSV 文件，并将其存储为 Pandas DataFrame。DataFrame 是一种二维标记的数据结构，类似于电子表格。
• features.shape:
  • 获取 DataFrame 的维度，返回一个包含行数和列数的元组。例如，(行数, 列数)。

3. 处理日期数据

• zip():
  • 将多个可迭代对象聚合成一个元组的迭代器。可以方便地将多个列表合并为一组。
  • 示例：zip(years, months, days) 会将三个列表的元素组合成元组 (year, month, day)。
• datetime.datetime.strptime(date, '%Y-%m-%d'):
  • 将字符串格式的日期转换为 datetime 对象，便于日期的处理和比较。格式字符串 '%Y-%m-%d' 指定了输入字符串的日期格式。

4. 可视化数据

• plt.style.use('fivethirtyeight'):
  plt.style.use() 是 Matplotlib 中用于设置图表风格的一个函数，它允许用户快速更改图表的外观，使得可视化结果更加美观且符合特定的展示需求。以下是对 plt.style.use() 的详细讲解：

• style: 字符串，指定所要使用的样式名。可以是预定义的样式名称，也可以是自定义样式文件的路径。

预定义样式

Matplotlib 提供了多种预定义的样式，可以通过 plt.style.available 查看可用的样式列表。以下是一些常用的样式：

• 'default': 默认样式。
• 'ggplot': 模仿 ggplot2（R 语言的数据可视化包）的风格。
• 'seaborn': 模仿 Seaborn（基于 Matplotlib 的数据可视化库）的风格，提供更加美观的色彩和布局。
• 'fivethirtyeight': 模仿 FiveThirtyEight 网站的图表风格，适合用于数据新闻。
• 'classic': 经典的 Matplotlib 风格。

• plt.subplots(nrows=2, ncols=2, figsize=(10, 10)):
  • 创建一个包含 2 行 2 列子图的图表布局。figsize 参数指定图表的尺寸（宽度和高度）。
• ax.plot(x, y):
  • 绘制 x 和 y 数据的曲线。ax 是子图对象，plot() 方法用于绘制折线图。
• plt.tight_layout(pad=2):
  • 自动调整子图之间的间距，以防止标签重叠。

5. 独热编码处理分类变量

• pd.get_dummies(features):
  • 该函数将分类变量转换为独热编码（One-Hot Encoding）格式。对于每个类别值，它创建一个新的列，并用 0 或 1 来指示该列是否包含该类别。这种编码方式使得分类变量能够被机器学习模型处理。

6. 准备标签和特征

• np.array():
  • 将数据转换为 NumPy 数组，以便于进行数值计算和高效操作。NumPy 数组提供了比列表更快的性能。
• features.drop('actual', axis=1):
  • 从 DataFrame 中删除指定列。axis=1 表示删除列（如果要删除行，则使用 axis=0）。这通常用于从特征中去掉标签列，以便只保留输入特征。

7. 数据标准化

• preprocessing.StandardScaler():
  • 创建一个标准化对象。该对象将用于对数据进行标准化，使得特征具有均值为 0 和方差为 1 的标准正态分布。
• fit_transform(features):
  • 计算特征的均值和标准差，并对数据进行标准化。fit() 方法计算均值和标准差，transform() 方法将这些统计信息应用于数据。

8. 构建神经网络模型

• torch.tensor(data, dtype=float):
  • 将数据转换为 PyTorch 张量（tensor）。张量是 PyTorch 中的基本数据结构，类似于 NumPy 数组，但支持 GPU 加速。
• torch.randn(size, dtype=float, requires_grad=True):
  • 随机初始化张量。size 指定张量的形状，requires_grad=True 表示需要计算该张量的梯度，以便进行反向传播。
• torch.relu():
  • 应用 ReLU（Rectified Linear Unit）激活函数。该函数将输入值中的负数设为 0，正数保持不变，是深度学习中常用的激活函数。

9. 训练网络

• loss.backward():
  • 计算损失函数关于模型参数的梯度，进行反向传播。该步骤是优化算法中的关键，用于调整网络权重。
• optimizer.zero_grad():
  • 清空之前的梯度信息，防止累加。每次进行反向传播之前都需要清零梯度。
• optimizer.step():
  • 更新模型参数。根据计算得到的梯度，优化器会调整权重，以减少损失函数。

10. 进行预测

• my_nn(x):
  • 将输入特征传入已训练好的神经网络模型，获取预测值。这个操作会自动经过模型的所有层，返回输出结果。

11. 可视化结果

• pd.DataFrame(data={...}):
  • 创建一个 Pandas DataFrame，用于存储数据。通过字典的方式指定列名和对应的数据。
• plt.plot(x, y):
  • 绘制数据的折线图。在这里，通常用于比较真实值和预测值。
• plt.legend():
  • 在图表中显示图例，以帮助区分不同的数据系列。
• plt.xlabel() 和 plt.ylabel():
  • 设置 x 轴和 y 轴的标签，方便理解图表的内容。

总结

这些函数共同构成了整个天气预测回归任务的流程，涵盖了数据读取、处理、可视化、特征准备、模型构建和训练等各个环节。如果你对某个特定函数的用法或参数有疑问，欢迎继续询问！