VB中数组最大可定义多大在线等待

在c4 2.4G 内存256M机子上提示内存溢出，把程序所在分区的虚拟内存最大值设置1G调试阶段同样提示内存溢i出。

1.VB数组最大不能达到1e8吗

3.程序自身有問题（可能性很小）？

如果是1怎么解决这样的问题

请高手指点，分数不够可以继续加分

sklearn中数据预处理的常用函数

1.1标准化均值去除和按方差比例缩放
数据集的标准化：当个体特征太过或者明显不符合高斯正态分布时，标准化表现的效果较差实际操作中，經常忽略特征数据的分布形状移除每个特征均值，划分离散特征的标准差从而等级化，实现数据中心、化

1.1.2 StandardScaler计算训练集的平均值和标准差以便测试数据集使用相同的变换

#transform()的作用是通过找中心和缩放等实现标准化 #将上面得到的scale参数应用至测试数据 #可以使用以下方法查看scaler的屬性

与上述标准化方法相似，但是它通过除以最大值将训练集缩放至[-1,1]这意味着数据已经以0为中心或者是含有非常非常多0的稀疏数据。

当伱想要计算两个样本的相似度时必不可少的一个操作就是正则化，思想是：首先求出样本的p-范数然后该样本的所有元素都除以该范数，这样最终使得每个样本的范数都为1

one-hot编码是一种对离散特征值的编码方式，在LR模型中常用到用于给线性模型增加非线性能力。
transform()方法主偠用来对特征进行转换转换分为无信息转换和有信息转换。

在得到训练数据集时通常我们经常会把训练数据集进一步拆分成训练集和驗证集，这样有助于我们模型参数的选取

#作用：将数据集划分为训练集和测试集
arrays:样本数组，包括特征向量和标签
 int -获得多少个测试样本
 int -随機种子(种子固定、实验可复现)
 shuffle -是否在分割之前对数据进行洗牌(默认True)

在这一步我们首先要分析自己数据的类型搞清楚你要用什么模型来做，然后我们就可以在sklearn中定义模型了sklearn文所有模型提供了非常相似的接口，这样使得我们可以更加快速的熟悉所有模型的用法我们先来看看模型的常用属性和功能。

normalize:当fit_intercept设置为False时该参数被忽略。如果为真则回归稀疏系数x将通过减去平均值并除以l2范数而归一化。 C:正则化强度值越小，正则化强度越大

3.3朴素贝叶斯算法NB

fit_prior:是否要学习类的先验概率；false-使用统一的先验概率 class_prior:是否指定类的先验概率若指定则不能根据参數体调整 binarize:二值化的阈值，若为None则假设输入由二进制向量组成 max_features:寻找最优分割点时的最大特征数 min_impurity_decrese:如果这种分离导致杂质的减少大于或等于这個值，则节点将被拆分 C:误差项的惩罚参数C

3.7 多层感知机(神经网络)

#定义多层感知机分类算法 model：拟合数据的模型 x,y:训练集的特征和标签

我们可以將我们训练好的model保存到本地，或者放到线上供用户使用