一、sklearn 分类器怎么输出 分类概率

可以使用机器学习，使用很方便（相当于别人早已经把具体过程做好了，像公式、模板一样自己代入数据就可以得到结果） from sklearn.linear_model import LogisticRegression

二、如何用Python和机器学习炒股赚钱

学习决策树、向量机、神经网络等相关知识，使用数据挖掘技术收集数据集，反复训练模型评估模型调参，直到实际输出与目标输出误差降低到预设值，并计算正波动概率，用概率论与微积分相关知识作出假设并求可信度，假设收益>0被接受时可认为该模型在一定时间段内可盈利。此外，还可结合深度强化学习对模型进行实时优化，以保持长期可用

三、如何调用sklearn模块做交叉验证

一般在建立完模型之后，要预测模型的好坏，为了试验的可靠性（排除一次测试的偶然性）要进行多次测试验证，这时就要用交叉验证。

sklearn中的sklearn.cross_validation.cross_val_score函数已经做好了。

直接调用就可以了。

无论是做回归还是做分类，都可以用这个函数。

具体用法：

from sklearn.cross_validation import cross_val_score

metric = cross_val_score(clf,X,y,cv=5,scoring=‘ ‘).mean()

clf是分类器

其中scoring可以是：

[‘accuracy‘,

‘adjusted_rand_score‘, ‘average_precision‘, ‘f1‘, ‘f1_macro‘,

‘f1_micro‘, ‘f1_samples‘, ‘f1_weighted‘, ‘log_loss‘,

‘mean_absolute_error‘, ‘mean_squared_error‘, ‘median_absolute_error‘,

‘precision‘, ‘precision_macro‘, ‘precision_micro‘, ‘precision_samples‘,

‘precision_weighted‘, ‘r2‘, ‘recall‘, ‘recall_macro‘, ‘recall_micro‘,

‘recall_samples‘, ‘recall_weighted‘, ‘roc_auc‘]

四、sklearn数据预处理功能处理的数据格式是什么样的

有两种不同的方式：

使用sklearn.preprocessing.scale()函数，可以直接将给定数据进行标准化。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

>>> from sklearn import preprocessing

>>> import numpy as np

>>> X = np.array([[ 1., -1., 2.],

... [ 2., 0., 0.],

... [ 0., 1., -1.]])

>>> X_scaled = preprocessing.scale(X)

>>> X_scaled

array([[ 0. ..., -1.22..., 1.33...],

[ 1.22..., 0. ..., -0.26...],

[-1.22..., 1.22..., -1.06...]])

>>>#处理后数据的均值和方差

>>> X_scaled.mean(axis=0)

array([ 0., 0., 0.])

>>> X_scaled.std(axis=0)

array([ 1., 1., 1.])

使用sklearn.preprocessing.StandardScaler类，使用该类的好处在于可以保存训练集中的参数（均值、方差）直接使用其对象转换测试集数据。

五、上海莱士股票它的增长趋势

上海莱士作为血液制品的供应商，作为行业的领头羊，公司的业绩方面都不错，不过股票的走势不是特别好，观望为宜,个人看法