python安裝包多少g

① python3.5安裝包有多大

最新版的python3.5.2的安裝包有27.9M

② 求python安裝包

解決了嗎?
鏈接:

http://download.informer.com/win-1192930940-dbe21093-561c0020/epd_free-7.3-2-win-x86.msi
直接點擊, 或復制到迅雷里就可以下載了!

③ python安裝包

這個命令應該直接在cmd里輸入，不是在>>>後輸入，先按ctrl+C退出python環境再輸入

④ python 最大能用多大存儲空間

這個是操作系統的限制，跟python沒有直接關系，因為python是沒有限制的。
32位的系統：windows下單個進程可以用到2G內存;linux下單個進程可以用到4G內存。
64位的系統：
windows下單個進程Intel Itanium-based可用到7TB,Windows 8.1和Windows Server 2012
R2:可用128，其它版本TBx64: 8 TB
但是不同版本windows系統可用的最大物理內存數也有限制，比如64位win7家庭基本版只能認出8G內存，專業版以上能認出192G內存。
linux下不同的發行商，或者不同的內核編譯參數也會有也不同的限制，但都是按T計的。

⑤ xgboost的python包有多少參數

XGBoost參數

XGBoost的參數可以分為三種類型：通用參數、booster參數以及學習目標參數

• General parameters：參數控制在提升（boosting）過程中使用哪種booster，常用的booster有樹模型（tree）和線性模型（linear model）。

• Booster parameters：這取決於使用哪種booster。

• Learning Task parameters：控制學習的場景，例如在回歸問題中會使用不同的參數控制排序。

• 除了以上參數還可能有其它參數，在命令行中使用

General Parameters

• booster [default=gbtree]
  

• 有兩種模型可以選擇gbtree和gblinear。gbtree使用基於樹的模型進行提升計算，gblinear使用線性模型進行提升計算。預設值為gbtree

• silent [default=0]
  

• 取0時表示列印出運行時信息，取1時表示以緘默方式運行，不列印運行時的信息。預設值為0

• 建議取0，過程中的輸出數據有助於理解模型以及調參。另外實際上我設置其為1也通常無法緘默運行。。

• nthread [default to maximum number of threads available if not set]
  

• XGBoost運行時的線程數。預設值是當前系統可以獲得的最大線程數

• 如果你希望以最大速度運行，建議不設置這個參數，模型將自動獲得最大線程

• num_pbuffer [set automatically by xgboost, no need to be set by user]
  

• size of prediction buffer, normally set to number of training instances. The buffers are used to save the prediction results of last boosting step.

• num_feature [set automatically by xgboost, no need to be set by user]
  

• boosting過程中用到的特徵維數，設置為特徵個數。XGBoost會自動設置，不需要手工設置

Booster Parameters

From xgboost-unity, thebst:prefix is no longer needed for booster parameters. Parameter with or without bst: prefix will be equivalent(i.e. both bst:eta and eta will be valid parameter setting) .

Parameter for Tree Booster

• eta [default=0.3]
  

• 為了防止過擬合，更新過程中用到的收縮步長。在每次提升計算之後，演算法會直接獲得新特徵的權重。 eta通過縮減特徵的權重使提升計算過程更加保守。預設值為0.3

• 取值范圍為：[0,1]

• 通常最後設置eta為0.01~0.2

• gamma [default=0]
  

• minimum loss rection required to make a further partition on a leaf node of the tree. the larger, the more conservative the algorithm will be.

• range: [0,∞]

• 模型在默認情況下，對於一個節點的劃分只有在其loss function 得到結果大於0的情況下才進行，而gamma 給定了所需的最低loss function的值

• gamma值使得演算法更conservation，且其值依賴於loss function ，在模型中應該進行調參。

• max_depth [default=6]
  

• 樹的最大深度。預設值為6

• 取值范圍為：[1,∞]

• 指樹的最大深度

• 樹的深度越大，則對數據的擬合程度越高（過擬合程度也越高）。即該參數也是控制過擬合

• 建議通過交叉驗證（xgb.cv ) 進行調參

• 通常取值：3-10

• min_child_weight [default=1]
  

• 孩子節點中最小的樣本權重和。如果一個葉子節點的樣本權重和小於min_child_weight則拆分過程結束。在現行回歸模型中，這個參數是指建立每個模型所需要的最小樣本數。該成熟越大演算法越conservative。即調大這個參數能夠控制過擬合。

• 取值范圍為: [0,∞]

• max_delta_step [default=0]
  

• Maximum delta step we allow each tree』s weight estimation to be. If the value is set to 0, it means there is no constraint. If it is set to a positive value, it can help making the update step more conservative. Usually this parameter is not needed, but it might help in logistic regression when class is extremely imbalanced. Set it to value of 1-10 might help control the update

• 取值范圍為：[0,∞]

• 如果取值為0，那麼意味著無限制。如果取為正數，則其使得xgboost更新過程更加保守。

• 通常不需要設置這個值，但在使用logistics 回歸時，若類別極度不平衡，則調整該參數可能有效果

• subsample [default=1]
  

• 用於訓練模型的子樣本占整個樣本集合的比例。如果設置為0.5則意味著XGBoost將隨機的從整個樣本集合中抽取出50%的子樣本建立樹模型，這能夠防止過擬合。

• 取值范圍為：(0,1]

• colsample_bytree [default=1]
  

• 在建立樹時對特徵隨機采樣的比例。預設值為1

• 取值范圍：(0,1]

• colsample_bylevel[default=1]

• 決定每次節點劃分時子樣例的比例

• 通常不使用，因為subsample和colsample_bytree已經可以起到相同的作用了

• scale_pos_weight[default=0]

• A value greater than 0 can be used in case of high class imbalance as it helps in faster convergence.

• 大於0的取值可以處理類別不平衡的情況。幫助模型更快收斂

Parameter for Linear Booster

• lambda [default=0]
  

• L2 正則的懲罰系數

• 用於處理XGBoost的正則化部分。通常不使用，但可以用來降低過擬合

• alpha [default=0]
  

• L1 正則的懲罰系數

• 當數據維度極高時可以使用，使得演算法運行更快。

• lambda_bias
  

• 在偏置上的L2正則。預設值為0（在L1上沒有偏置項的正則，因為L1時偏置不重要）

Task Parameters

• objective [ default=reg:linear ]
  

• 定義學習任務及相應的學習目標，可選的目標函數如下：

• 「reg:linear」 –線性回歸。

• 「reg:logistic」 –邏輯回歸。

• 「binary:logistic」 –二分類的邏輯回歸問題，輸出為概率。

• 「binary:logitraw」 –二分類的邏輯回歸問題，輸出的結果為wTx。

• 「count:poisson」 –計數問題的poisson回歸，輸出結果為poisson分布。

• 在poisson回歸中，max_delta_step的預設值為0.7。(used to safeguard optimization)

• 「multi:softmax」 –讓XGBoost採用softmax目標函數處理多分類問題，同時需要設置參數num_class（類別個數）

• 「multi:softprob」 –和softmax一樣，但是輸出的是ndata * nclass的向量，可以將該向量reshape成ndata行nclass列的矩陣。每行數據表示樣本所屬於每個類別的概率。

• 「rank:pairwise」 –set XGBoost to do ranking task by minimizing the pairwise loss

• base_score [ default=0.5 ]
  

• the initial prediction score of all instances, global bias

• eval_metric [ default according to objective ]
  

• 校驗數據所需要的評價指標，不同的目標函數將會有預設的評價指標（rmse for regression, and error for classification, mean average precision for ranking）

• 用戶可以添加多種評價指標，對於Python用戶要以list傳遞參數對給程序，而不是map參數list參數不會覆蓋』eval_metric』

• The choices are listed below:

• 「rmse」:root mean square error

• 「logloss」: negativelog-likelihood

• 「error」:Binary classification error rate. It is calculated as #(wrong cases)/#(all cases). For the predictions, the evaluation will regard the instances with prediction value larger than 0.5 as positive instances, and the others as negative instances.

• 「merror」:Multiclass classification error rate. It is calculated as #(wrong cases)/#(all cases).

• 「mlogloss」: Multiclass logloss

• 「auc」:Area under the curvefor ranking evaluation.

• 「ndcg」:Normalized Discounted Cumulative Gain

• 「map」:Mean average precision

• 「ndcg@n」,」map@n」: n can be assigned as an integer to cut off the top positions in the lists for evaluation.

• 「ndcg-「,」map-「,」ndcg@n-「,」map@n-「: In XGBoost, NDCG and MAP will evaluate the score of a list without any positive samples as 1. By adding 「-」 in the evaluation metric XGBoost will evaluate these score as 0 to be consistent under some conditions.
  training repeatively

• seed [ default=0 ]
  

• 隨機數的種子。預設值為0

• 可以用於產生可重復的結果（每次取一樣的seed即可得到相同的隨機劃分）

Console Parameters

The following parameters are only used in the console version of xgboost
* use_buffer [ default=1 ]
- 是否為輸入創建二進制的緩存文件，緩存文件可以加速計算。預設值為1
* num_round
- boosting迭代計算次數。
* data
- 輸入數據的路徑
* test:data
- 測試數據的路徑
* save_period [default=0]
- 表示保存第i*save_period次迭代的模型。例如save_period=10表示每隔10迭代計算XGBoost將會保存中間結果，設置為0表示每次計算的模型都要保持。
* task [default=train] options: train, pred, eval, mp
- train：訓練模型
- pred：對測試數據進行預測
- eval：通過eval[name]=filenam定義評價指標
- mp：將學習模型保存成文本格式
* model_in [default=NULL]
- 指向模型的路徑在test, eval, mp都會用到，如果在training中定義XGBoost將會接著輸入模型繼續訓練
* model_out [default=NULL]
- 訓練完成後模型的保存路徑，如果沒有定義則會輸出類似0003.model這樣的結果，0003是第三次訓練的模型結果。
* model_dir [default=models]
- 輸出模型所保存的路徑。
* fmap
- feature map, used for mp model
* name_mp [default=mp.txt]
- name of model mp file
* name_pred [default=pred.txt]
- 預測結果文件
* pred_margin [default=0]
- 輸出預測的邊界，而不是轉換後的概率

如果你比較習慣scikit-learn的參數形式，那麼XGBoost的Python 版本也提供了sklearn形式的介面XGBClassifier。它使用sklearn形式的參數命名方式，對應關系如下：

• eta –> learning_rate

• lambda –> reg_lambda

• alpha –> reg_alpha

⑥ 如何將Python環境安裝在U盤裡面需要多大的空間

方法/步驟
用清華鏡像【Tsinghua Open Source Mirror】，下載anaconda安裝包，好處是速度夠快。

【python】怎麼把python安裝到U盤裡面？
把U盤插到電腦上；

安裝anaconda，指定安裝目錄是U盤。這和網電腦上安裝差不多，只不過無需設置環境變數（PATH）。

【python】怎麼把python安裝到U盤裡面？
在U盤的anaconda文件夾裡面，新建一個批處理命令（.bat文件），名字隨便起。

【python】怎麼把python安裝到U盤裡面？
選中這個批處理文件，右鍵編輯；

這是以記事本的方式，打開這個文件。

【python】怎麼把python安裝到U盤裡面？
打開這個文件，輸入如下圖的命令；

這些命令可以臨時修改環境變數（PATH）。

【python】怎麼把python安裝到U盤裡面？
保存，然後創建這個批處理命令的快捷方式，把快捷方式放到U盤的根目錄。

這樣就完成了。

【python】怎麼把python安裝到U盤裡面？
在任何一台電腦上，只要插上這個U盤，雙擊這個快捷方式，就可以打開一個命令提示符窗口。

【python】怎麼把python安裝到U盤裡面？
查看python的版本號：

python -V

【python】怎麼把python安裝到U盤裡面？
不過，還有缺陷。無法導入擴展包，這說明PATH還不夠完善？

【python】怎麼把python安裝到U盤裡面？

⑦ python 安裝包 怎麼安裝

python 安裝包 安裝
介紹了查看Python安裝路徑以及安裝包路徑小技巧,本文使用直接在命令行運行Python代碼的方法檢測安裝路徑以及安裝包路徑,需要的朋友可以參考下

特別是linux系統，裝了多個python，有時候找不到python的絕對路徑，有時候裝了個django，又找不到django安裝到哪裡了。。當然查看的方法有很多種，這里列出幾種，供沒有經驗的人參考下。

復制代碼 代碼如下:

G:codemoniter>python -c "from distutils.sysconfig import get_python_lib; print (get_python_lib())"

C:Python27Libsite-packages

G:codemoniter>python -c "import os; print os.__file__"

C:Python27libos.pyc

G:codemoniter>python -c "import sys; print sys.executable"

C:Python27python.exe

其實只要知道python home路徑就好辦了

⑧ 如何自己安裝python包

使用pip包管理工具，這樣可以自動安裝。手動安裝的辦法如下
對於手動安裝python包，比如chardet，需要下載解壓後放到 Lib->site-packages下面（python安裝目錄下好像也可以，沒放過。site-
packages是放第三方包的），然後再chardet的目錄下有個setup.py，需要在這個目錄下打開命令行，運行python setup.py install 完
成編譯。這樣就完成安裝了。更多學習內容，請點擊python學習網。

⑨ python 最大能用多大內存

最大能用多大內存是操作系統的限制，跟python沒有直接關系，因為python是沒有限制的。

ABC是由Guido參加設計的一種教學語言。就Guido本人看來，ABC 這種語言非常優美和強大，是專門為非專業程序員設計的。但是ABC語言並沒有成功，究其原因，Guido 認為是其非開放造成的。Guido 決心在Python 中避免這一錯誤。同時，他還想實現在ABC 中閃現過但未曾實現的東西。

(9)python安裝包多少g擴展閱讀：

一個和其他大多數語言（如C）的區別就是，一個模塊的界限，完全是由每行的首字元在這一行的位置來決定的（而C語言是用一對花括弧{}來明確的定出模塊的邊界的，與字元的位置毫無關系）。這一點曾經引起過爭議。

因為自從C這類的語言誕生後，語言的語法含義與字元的排列方式分離開來，曾經被認為是一種程序語言的進步。不過不可否認的是，通過強製程序員們縮進（包括if，for和函數定義等所有需要使用模塊的地方），Python確實使得程序更加清晰和美觀。