"""機器學習演算法分類：
監督學習（有目標值）
分類（目標值是離散型資料）：k-近鄰演算法、貝葉斯分類、決策樹與隨機森林、邏輯回歸、神經網路
回歸（目標值是連續型資料）：線性回歸、嶺回歸
無監督學習（無目標值）：聚類 k-means
機器學習一般會把資料集劃分為訓練集（3/4）和測試集（1/4），可以使用sklearn中的train_test_split模組進行自動分類
"""#
使用sklearn自帶的鳶尾花資料集進行資料劃分
from sklearn.datasets import load_iris #
鳶尾花模組
from sklearn.model_selection import train_test_split #
選擇測試集模組
li =load_iris()
#li.data特徵集，li.target目標集，test_size測試集佔比
(li.data)
(li.target)
x_train, x_test, y_train, y_test = train_test_split(li.data, li.target, test_size=0.25)
print("
訓練集的特徵值和目標值：
", x_train, x_test)
print("
測試集的特徵值和目標值：
", y_train, y_test)
第五節 修改RESPONSE的資料
修改response的資料 一 在專案中也經常也會碰到根據介面返回的資料不同而展示不同的效果。如果單個單個去真實的造資料會比較麻煩，況且有時候造資料也是一件很麻煩甚至無從下手的事情。fiddler可以修改response的資料，可以很輕鬆方便的解決我們造資料的苦惱。修改response的資料 在修改...
資料結構第五節
1.棧 stack 是運算受限的線性表,這種線性表上的 插入和刪除運算限定在表的某一端進行,允許進行插入和刪除的一端稱為棧頂,另一端稱為棧底.不含任何資料元素的棧稱為空棧.處於棧頂位置的元素稱為棧頂元素.棧的修改原則是後進先出,因此,棧又稱為後進先出線性表,簡稱後進先出表.棧的插入和刪除運算分別稱為...
指標和陣列（第五節 定義與宣告）
檔案1中定義如下 chara 100 檔案2中宣告如下 externchar a 關於extern的用法，以及定義和宣告的區別，請複習第一章 這裡，檔案1中定義了陣列a，檔案2中宣告它為指標。這有什麼問題嗎？平時不是總說陣列與指標相似，甚至可以通用嗎？但是，很不幸，這是錯誤的。通過上面的分析我們也能...