带学《机器学习实用指南》Hands-On Machine Learning with Scikit-Learn & TensorFlow（第二章）

我对本书中的代码做了详尽的注释，放到了我的github，star我哦(✪ω✪)

Q：端到端（end to end）

end-to-end（端对端）的方法，一端输入我的原始数据，一端输出我想得到的结果。只关心输入和输出，中间的步骤全部都不管。转自TopCoderの陳澤澤

Q：对收入中位数进行缩放，分类

你或许会这么想，书中为什么要将收入中位数进行分类呢？
书中把所有的数据除以1.5，并将大于5的归于5，其实是在将收入中位数进行分类，然后根据每一类来进行分层抽样，保证每一类别在验证集中都占有同样的比例。那么为什么不直接进行分类，而是要除以1.5呢？我分先画个图看看收入的分布：

收入分布

图中我们可以看到，数据是不是大多集中2-6，如果我们要分类的话得分类别（2，3，4，5，6），因为要保证每一个类别都需要有足够多的实例，实例少的就归到其他类。作者希望训练的分类从1开始，因此作者把数据都除以1.5,这样也就可以分类为（1，2，3，4，5）了。所有这些对数据的操作只是为了切分训练集与验证集，切分完了之后会将这些分类数据删掉，并不会同原始数据一起训练，所以对训练的结果不会产生影响。

分类情况

Q：绘制点图

housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.4,
    s=housing["population"]/100, label="population", figsize=(10,7),
    c="median_house_value", cmap=plt.get_cmap("jet"), colorbar=True,
    sharex=False)

DataFrame.plot()讲解：pandas.DataFrame.plot其实是集成了matplotlib的多个绘图函数。本例中kind="scatter"就相当与是matlotlib的scatter函数。传入的参数也就是scatter函数的参数。
x，y：x坐标和y坐标
alpha：透明度
s：Size首字母。s可以设置点图中每一个点的大小，s是每个点的大小的一个集合。x,y决定点的顺序，对应着s集合中的顺序。也就是说第i个(x,y)坐标对应的点的大小就是s[i]。当点数超过s集合的大小时，又重新从s[0]开始。在本例中，s取的是人口的数量，每个坐标点的大小刚好对应该点人口数，直接取原始数据画出的点太大，通过除以100来限制点的大小。weixin_39462002这篇博客值得一看。
c：Color首字母。同s类似，c是点的颜色的序列(x,y)[i]也与c[i]对应。可以自定义颜色序列如['b','r']，b：blue，r：red。在本例中没有使用自定义的颜色序列这种方法，而是使用了另一种方法，即c为一个数字序列，然后使用matplotlib自带的colormap来对这个数字序列根据数字大小对应颜色，见下一参数。
cmap：Colormap。如上方所说，可以使用matplotlib的colormap来作为绘图的颜色序列。这里使用的是‘jet’，所有的colormap见这里。

colormap----jet

如图所示是名为‘jet’的colormap，本例中c="median_house_value"，即选取房价中位数作为数字序列，数字越大的颜色越红，即画出的图表中，越红的点房价越高。

房价人口分布

colorbar：是否显示颜色条，即上图右方颜色条，即jet。
sharex=False：这句用来修复一个图表显示的bug（x轴的值和图例显示不出来）