update note

.fuse_hidden0000029800000001

+## 导入模块说明
+
+```python
+# 导入的常规模块
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt	# 可视化操作
+import os # 系统文件处理模块
+import time # 时间处理模块
+from random import shuffle # 用于随机打乱数据
+import pywt # 小波处理的模块
+import numpy.random import shuffle # 用于随机打乱数据
+import pickle # 保存模型,
+
+
+# 按名称排序
+from scipy.interpolate import lagrange # 拉格朗日填值
+from scipy.io import loadmat # 读取matlab的格式文件
+from sklearn import svm
+from sklearn.cluster import KMeans # KMeans聚类
+from sklearn.decomposition import PCA # 主成分分析
+from sklearn.externals.six import StringIO # 将决策树导出为dot
+from sklearn.externals import joblib # 用于保存模型
+from sklearn.linear_model import LogisticRegression as LR # 线性回归
+from sklearn.linear_model import RandomizedLogisticRegression as RLR # 随机森林
+from sklearn.manifold import TSNE # 数据降维
+from sklearn.metrics import roc_curve # ROC曲线
+from sklearn.metrics import confusion_matrix # 计算混淆矩阵，评估分类的准确性
+from sklearn.tree import DecisionTreeClassifier as DTC # 决策树
+from sklearn.tree import export_graphviz # 用于生成决策树的dot文件
+from statsmodels.graphics.tsaplots import plot_acf # plot_acf自相关图
+from statsmodels.graphics.tsaplots import plot_pacf # plot_pacf自相关图
+from statsmodels.tsa.stattools import adfuller as ADF # adf检验
+from statsmodels.tsa.arima_model import ARIMA # 建立ARIMA模型
+from statsmodels.stats.diagnostic import acorr_ljungbox # 白噪声检验
+from keras.models import Sequential # Kears神经网络训练
+from keras.layers.core import Dense, Activation # Kears的常用的两个层
+```
+

导入模块说明.md

@@ -7,18 +7,22 @@ import numpy as np
 import matplotlib.pyplot as plt	# 可视化操作
 import os # 系统文件处理模块
 import time # 时间处理模块
-from random import shuffle # 用于随即打乱数据
 import pywt # 小波处理的模块
+import pickle # 保存模型, python自带模块
+from numpy.random import shuffle # 用于随机打乱数据
+from random import shuffle # 用于随机打乱数据
+
 
 # 按名称排序
+from scipy.interpolate import lagrange # 拉格朗日填值
+from scipy.io import loadmat # 读取matlab的格式文件
+from sklearn import svm # 支持向量机
 from sklearn.cluster import KMeans # KMeans聚类
 from sklearn.decomposition import PCA # 主成分分析
 from sklearn.externals.six import StringIO # 将决策树导出为dot
 from sklearn.externals import joblib # 用于保存模型
 from sklearn.linear_model import LogisticRegression as LR # 线性回归
 from sklearn.linear_model import RandomizedLogisticRegression as RLR # 随机森林
-from scipy.interpolate import lagrange # 拉格朗日填值
-from scipy.io import loadmat # 读取matlab的格式文件
 from sklearn.manifold import TSNE # 数据降维
 from sklearn.metrics import roc_curve # ROC曲线
 from sklearn.metrics import confusion_matrix # 计算混淆矩阵，评估分类的准确性

简单的笔记.md

@@ -60,4 +60,13 @@ graph.write_pdf("name.pdf")
 
 1. 很容易查出任意界限值时的对疾病的识别能力
 2. 选择最佳的诊断界限值。ROC曲线越靠近左上角，试验的准确性就越高。
-3. 两种或两种以上不同诊断试验对疾病识别能力的比较。直观的比较两种诊断方式的优劣
\ No newline at end of file
+3. 两种或两种以上不同诊断试验对疾病识别能力的比较。直观的比较两种诊断方式的优劣
+
+### 关于模型的保存
+
+在这里建议使用sklearn自带的方法进行保存`from sklearn.externals import joblib`
+
+### shuffle函数说明
+
+`from random import shuffle` 自带的模块用于随机打乱list的数据
+`from numpy.random import shuffle` 用于随机打乱array数组的数据