手机看片欧美日韩,久久精品国产主播一区二区,欧美亚洲中日韩中文字幕在线

通過Scikit-learn進行機器學習的介紹

An introduction to machine learning with scikit-learn

Section contents

In this section, we introduce the?machine learning?vocabulary that we use throughout scikit-learn and give a simple learning example.

?

在這一章節,我們將介紹機器學習中的 scikit-learn 以及一些學習例子。

Machine learning: the problem setting? 機器學習:問題設置

In general, a learning problem considers a set of n?samples?of data and then tries to predict properties of unknown data. If each sample is more than a single number and, for instance, a multi-dimensional entry (aka?multivariate?data), it is said to have several attributes or?features.

通常來講,一個學習問題涉及到一個含有n個樣本數據的集合,從而去預測數據中一些未知的特征。如果每個樣本中有多于一個數字并且,比方說,一個多維輸入(又叫做多元變量數據),它可以被稱作有多種特征、貢獻。

We can separate learning problems in a few large categories:?我們可以把學習問題分為幾個類別。

  • supervised????? learning, in which the data comes with additional????? attributes that we want to predict (Click here?to????? go to the scikit-learn supervised learning page).This problem can be????? either:

監督學習,其中數據帶有我們想要預測的額外屬性(點擊此處轉到scikit學習監督學習頁面)。這個問題可以是:

  • classification:????? samples belong to two or more classes and we want to learn from already????? labeled data how to predict the class of unlabeled data. An example of????? classification problem would be the handwritten digit recognition example,????? in which the aim is to assign each input vector to one of a finite number????? of discrete categories. Another way to think of classification is as a????? discrete (as opposed to continuous) form of supervised learning where one????? has a limited number of categories and for each of the n samples provided,????? one is to try to label them with the correct category or class.

分類:樣本屬于兩個或更多個類,我們想從已標記的數據中學習如何預測未標記數據的類別。 分類問題的一個例子是手寫數字識別示例,其目的是將每個輸入向量分配給有限數目的離散類別之一。 分類的另一種方式是作為監督學習的離散(而不是連續的)形式,其中提供的n個樣本中的每一個樣本都有一個有限數量的類別,另一方式是嘗試用正確的類別或類別來標記它們。

  • regression:? if the desired output consists of one or more continuous variables, then????? the task is called?regression.? An example of a regression problem would be the prediction of the length? of a salmon as a function of its age and weight.

回歸:如果期望的輸出由一個或多個連續變量組成,則該任務稱為回歸。 回歸問題的一個例子是鮭魚年齡和體重的函數預測其長度。

  • unsupervised????? learning, in which the training data consists of a set? of input vectors x without any corresponding target values. The goal in? such problems may be to discover groups of similar examples within the? data, where it is called?clustering, or to determine the distribution of data within the input space, known as?density????? estimation, or to project the data from a high-dimensional space down to two or three dimensions for the purpose of?visualization?(Click here?to go to the Scikit-Learn unsupervised learning page).

無監督學習,其中訓練數據由一組沒有任何相應目標值的輸入向量x組成。 這些問題的目標可能是在數據中發現類似示例的組,稱為聚類,或者確定輸入空間內的數據分布,稱為密度估計,或從高維數據投影數據 空間縮小到二維或三維以進行可視化(點擊此處轉到Scikit-Learn無人值守學習頁面)。

Training set and testing set

培訓集和測試集

Machine learning is about learning some properties of a data set and applying them to new data. This is why a common practice in machine learning to evaluate an algorithm is to split the data at hand into two sets, one that we call thetraining set?on which we learn data properties and one that we call the?testing set?on which we test these properties.

機器學習是關于學習數據集的某些屬性并將其應用于新數據。這就是為什么機器學習評估算法的常見做法是將手頭的數據拆分成兩組,用于學習數據屬性的我們稱之為訓練集,用于測試這些屬性的我們稱之為測試集。

Loading an example dataset

加載示例數據集

scikit-learn comes with a few standard datasets, for instance the?iris?and?digits?datasets for classification and the?boston house prices dataset?for regression.

scikit-learn提供了幾個標準數據集,例如用于分類的虹膜和數字數據集和波士頓房價回歸數據集。

In the following, we start a Python interpreter from our shell and then load the iris and digits datasets. Our notational convention is that $ denotes the shell prompt while >>> denotes the Python interpreter prompt:

在下文中,我們從我們的shell啟動一個Python解釋器,然后加載虹膜和數字數據集。我們的符號約定是$表示shell提示符,而>>>表示Python解釋器提示符:

$ python

>>> from sklearn import datasets

>>> iris = datasets.load_iris()

>>> digits = datasets.load_digits()

A dataset is a dictionary-like object that holds all the data and some metadata about the data. This data is stored in the.data member, which is a n_samples, n_features array. In the case of supervised problem, one or more response variables are stored in the .target member. More details on the different datasets can be found in the?dedicated section.

數據集是一個類似字典的對象,它保存有關數據的所有數據和一些元數據。該數據存儲在.data成員中,它是一個n_samples,n_features數組。在監督問題的情況下,一個或多個響應變量存儲在.target成員中。有關不同數據集的更多詳細信息,請參見專用部分。

For instance, in the case of the digits dataset, digits.data gives access to the features that can be used to classify the digits samples:

例如,在數字數據集的情況下,digits.data可以訪問用于對數字樣本進行分類的功能:

>>>

>>>?print(digits.data)??

[[??0.?? 0.?? 5. ...,?? 0.?? 0.?? 0.]

?[? 0.?? 0.?? 0. ...,? 10.?? 0.?? 0.]

?[? 0.?? 0.?? 0. ...,? 16.?? 9.?? 0.]

?...,

?[? 0.?? 0.?? 1. ...,?? 6.?? 0.?? 0.]

?[? 0.?? 0.?? 2. ...,? 12.?? 0.?? 0.]

?[? 0.?? 0.? 10. ...,? 12.?? 1.?? 0.]]

and digits.target gives the ground truth for the digit dataset, that is the number corresponding to each digit image that we are trying to learn:

而digit.target為數字數據集提供了實質,即我們正在嘗試學習的每個數字圖像對應的數字:

>>>

>>>?digits.target

array([0, 1, 2, ..., 8, 9, 8])

Shape of the data arrays

數據陣列的形狀

The data is always a 2D array, shape (n_samples, n_features), although the original data may have had a different shape. In the case of the digits, each original sample is an image of shape (8, 8) and can be accessed using:

數據總是2D數組,形狀(n_samples,n_features),盡管原始數據可能具有不同的形狀。 在數字的情況下,每個原始樣本是形狀(8,8)的圖像,可以使用以下方式訪問:

>>>

>>>?digits.images[0]

array([[??0.,?? 0.,?? 5.,? 13.,?? 9.,?? 1.,?? 0.,?? 0.],

???????[? 0.,?? 0.,? 13.,? 15.,? 10.,? 15.,?? 5.,?? 0.],

???????[? 0.,?? 3.,? 15.,?? 2.,?? 0.,? 11.,?? 8.,?? 0.],

???????[? 0.,?? 4.,? 12.,?? 0.,?? 0.,?? 8.,?? 8.,?? 0.],

???????[? 0.,?? 5.,?? 8.,?? 0.,?? 0.,?? 9.,?? 8.,?? 0.],

???????[? 0.,?? 4.,? 11.,?? 0.,?? 1.,? 12.,?? 7.,?? 0.],

???????[? 0.,?? 2.,? 14.,?? 5.,? 10.,? 12.,?? 0.,?? 0.],

???????[? 0.,?? 0.,?? 6.,? 13.,? 10.,?? 0.,?? 0.,?? 0.]])

The?simple example on this dataset?illustrates how starting from the original problem one can shape the data for consumption in scikit-learn.

這個數據集的簡單例子說明了如何從原始問題開始,通過scikit-learn形成消費數據。

Loading from external datasets

從外部數據集加載

To load from an external dataset, please refer to?loading external datasets.

要從外部數據集加載,請參閱加載外部數據集。

?

Learning and predicting

學習和預測

In the case of the digits dataset, the task is to predict, given an image, which digit it represents. We are given samples of each of the 10 possible classes (the digits zero through nine) on which we?fit?an?estimator?to be able to?predict?the classes to which unseen samples belong.

在數字數據集的情況下,我們的任務是用已給的圖像來預測其表示的數字。我們給出了10個可能的類別(數字0到9)中的每一個的樣本,在這些類別上我們擬合一個估計器來預測不可見樣本所屬的類別。

In scikit-learn, an estimator for classification is a Python object that implements the methods fit(X, y) and predict(T).

在scikit-learn中,分類的估計器是一個Python對象,它實現了fit(X,y)和predict(T)的方法。

An example of an estimator is the class sklearn.svm.SVC that implements?support vector classification. The constructor of an estimator takes as arguments the parameters of the model, but for the time being, we will consider the estimator as a black box:

估計器的一個例子是實現支持向量分類的類sklearn.svm.SVC。估計器的構造函數以模型的參數為參數,但目前我們將把估計器視為黑盒子:

>>>

>>>?from?sklearn?import?svm

>>>?clf?=?svm.SVC(gamma=0.001, C=100.)

Choosing the parameters of the model

選擇模型的參數

In this example we set the value of gamma manually. It is possible to automatically find good values for the parameters by using tools such as?grid search?and?cross validation.

在這個例子中,我們手動設置gamma值。通過使用諸如網格搜索和交叉驗證等工具,可以自動找到參數的良好值。

We call our estimator instance clf, as it is a classifier. It now must be fitted to the model, that is, it must?learn?from the model. This is done by passing our training set to the fit method. As a training set, let us use all the images of our dataset apart from the last one. We select this training set with the [:-1] Python syntax, which produces a new array that contains all but the last entry of digits.data:

我們稱我們的估計器為實例clf,因為它是一個分類器。現在它必須適應模型,也就是說,它必須從模型中學習。這是通過我們的訓練集過渡到適合的方法來完成的。作為一個訓練集,讓我們使用除最后一個數據集的所有圖像。我們用[:-1] Python語法選擇這個訓練集,它產生一個包含除去digits.data的最后一個數據的新數組:

>>>

>>>?clf.fit(digits.data[:-1], digits.target[:-1])??

SVC(C=100.0, cache_size=200, class_weight=None, coef0=0.0,

??decision_function_shape=None, degree=3, gamma=0.001, kernel='rbf',

??max_iter=-1, probability=False, random_state=None, shrinking=True,

??tol=0.001, verbose=False)

Now you can predict new values, in particular, we can ask to the classifier what is the digit of our last image in the digitsdataset, which we have not used to train the classifier:

現在你可以預測新的值,特別是我們可以向分類器詢問在digits數據集中我們最后一個圖像的數字是什么,我們還沒有用過它來訓練分類器:

>>>

>>>?clf.predict(digits.data[-1:])

array([8])

The corresponding image is the following:

相應的圖像如下:

?

As you can see, it is a challenging task: the images are of poor resolution. Do you agree with the classifier?

A complete example of this classification problem is available as an example that you can run and study:?Recognizing hand-written digits.

正如你所看到的,這是一項具有挑戰性的任務:圖像的分辨率差。你同意分類器嗎?

這個分類問題的一個完整例子可以用來作為一個例子來運行和學習:識別手寫數字。

?

Model persistence

模型持久性

It is possible to save a model in the scikit by using Python’s built-in persistence model, namely?pickle:

可以通過使用Python的內置持久性模型(即pickle)將模型保存在scikit中:

>>>

>>>?from?sklearn?import?svm

>>>?from?sklearn?import?datasets

>>>?clf?=?svm.SVC()

>>>?iris?=?datasets.load_iris()

>>>?X, y?=?iris.data, iris.target

>>>?clf.fit(X, y)??

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,

??decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',

??max_iter=-1, probability=False, random_state=None, shrinking=True,

??tol=0.001, verbose=False)

>>>?import?pickle

>>>?s?=?pickle.dumps(clf)

>>>?clf2?=?pickle.loads(s)

>>>?clf2.predict(X[0:1])

array([0])

>>>?y[0]

0

In the specific case of the scikit, it may be more interesting to use joblib’s replacement of pickle (joblib.dump &joblib.load), which is more efficient on big data, but can only pickle to the disk and not to a string:

在scikit的具體情況下,使用joblib替換pickle(joblib.dump和joblib.load)可能會更有意思,這對大數據更有效,但只能pickle(腌制)到磁盤而不是字符串:

>>>

>>>?from?sklearn.externals?import?joblib

>>>?joblib.dump(clf,?'filename.pkl')?

Later you can load back the pickled model (possibly in another Python process) with:

稍后,您可以使用以下方式加載腌制模型(可能在另一個Python進程中):

>>>

>>>?clf?=?joblib.load('filename.pkl')?

Note?注意

joblib.dump and joblib.load functions also accept file-like object instead of filenames. More information on data persistence with Joblib is available?here.

Note that pickle has some security and maintainability issues. Please refer to section?Model persistence?for more detailed information about model persistence with scikit-learn.

joblib.dump和joblib.load函數也接受類似文件的對象而不是文件名。 有關Joblib數據持久性的更多信息,請點擊?here

請注意,pickle有一些安全性和可維護性問題。 有關使用scikit-learn的模型持久性的更多詳細信息,請參閱?Model persistence

?

Conventions

規則

scikit-learn estimators follow certain rules to make their behavior more predictive.

scikit-learn估計器遵循某些規則,使其行為更具預測性。

Type casting

類型鑄造

Unless otherwise specified, input will be cast to float64:

除非另有說明,否則輸入將被轉換為float64:

>>>

>>>?import?numpy?as?np

>>>?from?sklearn?import?random_projection

>>>?rng?=?np.random.RandomState(0)

>>>?X?=?rng.rand(10,?2000)

>>>?X?=?np.array(X, dtype='float32')

>>>?X.dtype

dtype('float32')

>>>?transformer?=?random_projection.GaussianRandomProjection()

>>>?X_new?=?transformer.fit_transform(X)

>>>?X_new.dtype

dtype('float64')

In this example, X is float32, which is cast to float64 by fit_transform(X).

Regression targets are cast to float64, classification targets are maintained:

在這個例子中,X是float32,它被fit_transform(X)轉換為float64。

回歸目標被轉換為float64,維護分類目標:

>>>

>>>?from?sklearn?import?datasets

>>>?from?sklearn.svm?import?SVC

>>>?iris?=?datasets.load_iris()

>>>?clf?=?SVC()

>>>?clf.fit(iris.data, iris.target)??

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,

??decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',

??max_iter=-1, probability=False, random_state=None, shrinking=True,

??tol=0.001, verbose=False)

>>>?list(clf.predict(iris.data[:3]))

[0, 0, 0]

>>>?clf.fit(iris.data, iris.target_names[iris.target])??

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,

??decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',

??max_iter=-1, probability=False, random_state=None, shrinking=True,

??tol=0.001, verbose=False)

>>>?list(clf.predict(iris.data[:3]))??

['setosa', 'setosa', 'setosa']

Here, the first predict() returns an integer array, since iris.target (an integer array) was used in fit. The secondpredict() returns a string array, since iris.target_names was for fitting.

這里,第一個predict()返回一個整數數組,因為使用了iris.target(一個整數數組)。 Secondpredict()返回一個字符串數組,因為iris.target_names是用于擬合的。

Refitting and updating parameters

修改和更新參數

Hyper-parameters of an estimator can be updated after it has been constructed via thesklearn.pipeline.Pipeline.set_params?method. Calling fit() more than once will overwrite what was learned by any previous fit():

估計器的超參數可以在通過sklearn.pipeline.Pipeline.set_params方法構建后進行更新。?多次調用fit()將覆蓋以前的fit()中學到的內容:

>>>

>>>?import?numpy?as?np

>>>?from?sklearn.svm?import?SVC

>>>?rng?=?np.random.RandomState(0)

>>>?X?=?rng.rand(100,?10)

>>>?y?=?rng.binomial(1,?0.5,?100)

>>>?X_test?=?rng.rand(5,?10)

>>>?clf?=?SVC()

>>>?clf.set_params(kernel='linear').fit(X, y)??

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,

??decision_function_shape=None, degree=3, gamma='auto', kernel='linear',

??max_iter=-1, probability=False, random_state=None, shrinking=True,

??tol=0.001, verbose=False)

>>>?clf.predict(X_test)

array([1, 0, 1, 1, 0])

>>>?clf.set_params(kernel='rbf').fit(X, y)??

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,

??decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',

??max_iter=-1, probability=False, random_state=None, shrinking=True,

??tol=0.001, verbose=False)

>>>?clf.predict(X_test)

array([0, 0, 0, 1, 0])

Here, the default kernel rbf is first changed to linear after the estimator has been constructed via SVC(), and changed back to rbf to refit the estimator and to make a second prediction.

這里,在通過SVC()構造估計器之后,默認內核rbf首先被改變為線性,并且改回rbf以重新設計估計器并作出第二預測。

Multiclass vs. multilabel fitting

多類與多標簽擬合

When using?multiclass classifiers, the learning and prediction task that is performed is dependent on the format of the target data fit upon:

當使用多類分類器時,執行的學習和預測任務取決于適合的目標數據的格式:

>>>

>>>?from?sklearn.svm?import?SVC

>>>?from?sklearn.multiclass?import?OneVsRestClassifier

>>>?from?sklearn.preprocessing?import?LabelBinarizer

>>>?X?=?[[1,?2], [2,?4], [4,?5], [3,?2], [3,?1]]

>>>?y?=?[0,?0,?1,?1,?2]

>>>?classif?=?OneVsRestClassifier(estimator=SVC(random_state=0))

>>>?classif.fit(X, y).predict(X)

array([0, 0, 1, 1, 2])

In the above case, the classifier is fit on a 1d array of multiclass labels and the predict() method therefore provides corresponding multiclass predictions. It is also possible to fit upon a 2d array of binary label indicators:

在上述情況下,分類器適合于一個多類標簽的1d陣列,因此,()方法提供了相應的多類預測。 還可以使用二進制標簽指示器的二維數組:

>>>

>>>?y?=?LabelBinarizer().fit_transform(y)

>>>?classif.fit(X, y).predict(X)

array([[1, 0, 0],

???????[1, 0, 0],

???????[0, 1, 0],

???????[0, 0, 0],

???????[0, 0, 0]])

Here, the classifier is fit() on a 2d binary label representation of y, using the?LabelBinarizer. In this casepredict() returns a 2d array representing the corresponding multilabel predictions.

Note that the fourth and fifth instances returned all zeroes, indicating that they matched none of the three labels fit upon. With multilabel outputs, it is similarly possible for an instance to be assigned multiple labels:

這里,分類器是使用LabelBinarizer對y的2d二進制標簽表示進行fit()。 在這個casepredict()中返回一個表示相應的多重標簽預測的2d數組。

請注意,第四和第五個實例返回所有零,表示它們與三個標簽不匹配。 對于多標簽輸出,類似地可以為實例分配多個標簽:

>>?from?sklearn.preprocessing?import?MultiLabelBinarizer

>>?y?=?[[0,?1], [0,?2], [1,?3], [0,?2,?3], [2,?4]]

>>?y?=?preprocessing.MultiLabelBinarizer().fit_transform(y)

>>?classif.fit(X, y).predict(X)

array([[1,?1,?0,?0,?0],

???????[1,?0,?1,?0,?0],

???????[0,?1,?0,?1,?0],

???????[1,?0,?1,?1,?0],

???????[0,?0,?1,?0,?1]])

In this case, the classifier is fit upon instances each assigned multiple labels. The?MultiLabelBinarizer?is used to binarize the 2d array of multilabels to fit upon. As a result, predict() returns a 2d array with multiple predicted labels for each instance.

在這種情況下,分類器適合每個分配多個標簽的實例。 MultiLabelBinarizer用于二值化二維數組的多邊形以適應。 因此,predict()會為每個實例返回具有多個預測標簽的2d數組。

以上內容來自?<http://scikit-learn.org/stable/tutorial/basic/tutorial.html>?

?

機器學習課程和教程推薦:The World's Best Machine Learning Courses & Tutorials in 2020

平臺原文介紹:We've compiled more than?10,000 student reviews?across 150+ of the web's top Machine Learning courses, tutorials in search of the best way to learn Machine Learning in 2020. The awards below, like Best Course Overall, Best YouTube Tutorial, are based on student reviews.

平臺已經積累有10000多個真實用戶評論,希望對正在研究機器學習的讀者有用!

蜀ICP備15035023號-4

<rp id="pptpi"><xmp id="pptpi"><th id="pptpi"></th><dl id="pptpi"><pre id="pptpi"><noframes id="pptpi"><code id="pptpi"></code><kbd id="pptpi"><strong id="pptpi"><pre id="pptpi"></pre></strong></kbd>
  • <var id="pptpi"><dl id="pptpi"></dl></var>
    <menu id="pptpi"></menu>

    
    <rt id="pptpi"></rt>
  • <rp id="pptpi"><strong id="pptpi"><meter id="pptpi"></meter></strong></rp>
  • <p id="pptpi"></p>
    主站蜘蛛池模板: 汽车| 五华县| 琪琪电影午夜理论片八戒八戒| 谷城县| 国产美女裸体无遮挡免费视频 | 长宁县| 永安市| 成全电影大全在线观看国语高清| 蒙城县| 平和县| 武陟县| 崇礼县| 国产熟妇搡bbbb搡bbbb搡| 亚洲欧美一区二区三区| 永平县| 24小时日本在线www免费的| 葫芦岛市| 国产麻豆天美果冻无码视频| 万盛区| 包头市| 欧美又粗又大aaa片| 国产精品一区二区久久国产| 阿鲁科尔沁旗| 熟妇高潮精品一区二区三区| 一边摸一边做爽的视频17国产| 久久久天堂国产精品女人| 老司机午夜福利视频| 人妻少妇被猛烈进入中文字幕| 文安县| 高雄县| 欧美人妻日韩精品| 于都县| 精品人伦一区二区三电影 | 晋州市| 国产成人小视频| 国精产品一区一区三区| 壶关县| 午夜家庭影院| 国产真实伦对白全集| 鹤庆县| 午夜免费视频| 又黄又爽又色的视频| 商城县| 祥云县| 揭西县| 子长县| 成全影视大全在线观看国语| 波多野结衣av在线观看| 欧美裸体xxxx极品少妇| 英山县| 欧美性生交xxxxx久久久| 聂荣县| 久久久久无码国产精品一区| gogogo在线高清免费完整版| 强伦人妻一区二区三区视频18| 榆中县| 大地资源中文在线观看官网免费| 兴化市| 成人免费无码大片a毛片| 国产午夜精品一区二区三区四区| 欧美 变态 另类 人妖| 南和县| 中文在线资源天堂www| 国产高潮国产高潮久久久| 亚洲午夜精品久久久久久浪潮| 伊川县| 日韩成人无码| 双峰县| 欧美色综合天天久久综合精品| 免费国精产品—品二品| 思茅市| 亚洲精品字幕在线观看| 汉阴县| 国产无遮挡又黄又爽又色| 一边摸一边抽搐一进一出视频 | 国产精品成人一区二区三区| 庆阳市| 黑巨茎大战欧美白妞| 精品少妇一区二区三区免费观| 国产精品成人99一区无码| 吴旗县| 男人的天堂在线视频| 久久精品www人人爽人人| 上蔡县| 武宣县| 狠狠干狠狠爱| 多伦县| 国产精品亚洲一区二区无码| 封丘县| 特大黑人娇小亚洲女| 巴彦县| 国产婷婷色一区二区三区| 福泉市| 中文字幕精品久久久久人妻红杏1| 精品乱子伦一区二区三区| 国产无遮挡又黄又爽又色| 护士的小嫩嫩好紧好爽| 乳尖春药h糙汉共妻| 中文成人在线| 黄平县| 国产又爽又黄无码无遮挡在线观看| 一个人看的视频www| 无码人妻av一区二区三区波多野| 夜夜躁很很躁日日躁麻豆| 国产精品视频在线观看| 中西区| 少妇伦子伦精品无吗| 国产精品久久久久久妇女6080| 无码免费一区二区三区| 河间市| 精品国产乱码久久久久久婷婷| 永宁县| 永宁县| 精品少妇爆乳无码av无码专区| 岳普湖县| 自贡市| 欧美精品videosex极品| 女人脱了内裤趴开腿让男躁| 抚宁县| 喀喇沁旗| 五月天激情电影| 国产亚洲精品久久久久久无几年桃| 色欲av永久无码精品无码蜜桃| 长顺县| 北宁市| 国产人妻精品一区二区三区| 苍井空亚洲精品aa片在线播放| 欧美三级欧美成人高清| 大渡口区| 老熟女高潮一区二区三区| av无码精品一区二区三区宅噜噜| 太仆寺旗| 国产99久一区二区三区a片| 99精品视频在线观看免费| 欧美 日韩 国产 成人 在线观看| 通榆县| www夜片内射视频日韩精品成人| 亚洲精品久久久久国产| 人妻激情偷乱视频一区二区三区| 国产69精品久久久久久| 国产精品成人一区二区三区| 司法| 乐安县| 乐都县| 国产农村妇女精品一二区| 邓州市| 民和| 熟女肥臀白浆大屁股一区二区| 我们的2018在线观看免费高清| 松溪县| 会泽县| 会宁县| 日本va欧美va精品发布| 国产精品无码mv在线观看| 无码精品人妻一区二区三区影院| 国模无码大尺度一区二区三区 | 成人h动漫精品一区二区| 洪江市| 浦县| 欧美乱码精品一区二区三区| 桂林市| 日本不卡高字幕在线2019| 嘉义县| 福清市| 亚洲精品97久久中文字幕无码| 宜黄县| 国产草草影院ccyycom| 苏尼特左旗| 肥老熟妇伦子伦456视频| 堆龙德庆县| 好吊色欧美一区二区三区视频| 色欲久久久天天天综合网| 中文字幕一区二区三区四区五区| 男阳茎进女阳道视频大全| 久久精品99久久久久久久久| 亚洲蜜桃精久久久久久久久久久久| 棋牌| 南漳县| 日韩人妻无码一区二区三区99 | 利津县| 邛崃市| 蜜臀av在线观看| 国产真人无遮挡作爱免费视频| 色婷婷综合久久久中文字幕| 色视频www在线播放国产人成 | 兴仁县| 人妻在客厅被c的呻吟| 无码少妇精品一区二区免费动态| 国产偷人妻精品一区| 金昌市| 久久成人无码国产免费播放| 香蕉影院在线观看| 嵩明县| 国精品人妻无码一区二区三区喝尿| 镇坪县| 蓝山县| 泰宁县| 国产全肉乱妇杂乱视频| 商洛市| 德保县| 钟山县| 亚洲国产精品va在线看黑人| 利川市| 亚洲欧美一区二区三区在线| 阳江市| 国偷自产视频一区二区久 | 涿鹿县| 桐庐县| 欧美成人在线视频| 丰满岳乱妇在线观看中字无码| 宜兰市| 人与禽性动交ⅹxxx| 洞口县| 国产精品污www一区二区三区| 海淀区| 又黄又爽又色的视频| 国产精品久久久一区二区| 阿拉善右旗| 国产无套精品一区二区| 中文字幕日韩人妻在线视频| 国产真实乱人偷精品视频| 国产伦亲子伦亲子视频观看| 少妇高潮一区二区三区99| 日本公妇乱偷中文字幕| 额尔古纳市| 亚洲永久无码7777kkk| 康马县| 国产熟妇搡bbbb搡bbbb| 遂溪县| 定边县| 国产成人精品一区二区在线小狼| 寿光市| 久久精品一区二区免费播放| 成人动漫在线观看| 无码人妻av免费一区二区三区| 托克逊县| 诏安县| 亚洲成av人片一区二区梦乃| 临沭县| 石楼县| 99精品欧美一区二区三区| 吉隆县| 欧美午夜精品久久久久免费视| 三穗县| 66亚洲一卡2卡新区成片发布| 青草视频在线播放| 嫩草av久久伊人妇女超级a| 久久精品99久久久久久久久| 国产熟妇搡bbbb搡bbbb| 乌鲁木齐县| 海盐县| 8050午夜二级| 崇义县| 国产精品久久久久影院老司| 曲靖市| 国内精品人妻无码久久久影院蜜桃| 久久午夜无码鲁丝片| 人妻少妇被猛烈进入中文字幕| aa片在线观看视频在线播放| 国产精品99精品无码视亚 | 成熟妇人a片免费看网站| 特黄三级又爽又粗又大| 久久久成人毛片无码| 久久偷看各类wc女厕嘘嘘偷窃| 久久久久无码国产精品不卡 | 久久久久久久极品内射| 国产一区二区三区免费播放| 成人无码视频| 好吊视频一区二区三区| 望谟县| 国产精品成人va在线观看| 三年片在线观看免费观看高清电影| 金门县| 泸州市| 托克逊县| 蒲江县| 扬中市| 色五月激情五月| 府谷县| 栾川县| 吴川市| 大庆市| 特黄aaaaaaa片免费视频| 惠来县| 抚顺市| 蜜桃久久精品成人无码av| 兴仁县| 初尝黑人巨砲波多野结衣| 枞阳县| 尤物视频在线观看| 榕江县| 成熟妇人a片免费看网站 | 国产精品一区二区久久国产| 仁怀市| 性生交大片免费看女人按摩| 欧美一区二区三区成人片在线| 国产人妻人伦精品1国产| 全国最大成人网| 伊人久久大香线蕉综合75| 三年大片免费观看大全电影| 污污内射在线观看一区二区少妇 | 搡老熟女老女人一区二区| 99久久久国产精品无码免费| 亚洲乱妇老熟女爽到高潮的片| 精品无码一区二区三区| 景德镇市| 玉屏| 汝城县| 丰满熟妇被猛烈进入高清片 | 国产精品永久久久久久久久久| 国产欧美熟妇另类久久久| 国产精品久久久一区二区三区| 国产欧美综合一区二区三区| 琪琪电影午夜理论片八戒八戒| 日韩一区二区三区精品| 亚洲精品字幕在线观看| 崇信县| 人妻体体内射精一区二区| 国产精品成人3p一区二区三区| 精品乱子伦一区二区三区| 又大又粗又爽18禁免费看| 休宁县| 国产精品伦一区二区三级视频 | 滕州市| 建昌县| 国产日产久久高清欧美一区| 鄂伦春自治旗| 中国免费看的片| 成人欧美一区二区三区在线观看| 亚洲人成色777777老人头| 风韵丰满熟妇啪啪区老熟熟女| 鹿泉市| 通道| 日韩电影一区二区三区| 欧美不卡一区二区三区| 志丹县| 国产三级精品三级在线观看| 托克逊县| 日韩精品久久久久久免费| 元谋县| 99精品欧美一区二区三区| 玛曲县| 精品无码一区二区三区| 成全视频大全高清全集在线| 精品人妻人人做人人爽夜夜爽| 色欲狠狠躁天天躁无码中文字幕| 97人妻精品一区二区三区| 会东县| 亚洲第一成人网站| 国产精品成人免费一区久久羞羞| 国产无遮挡aaa片爽爽| 人人做人人爽人人爱| 遵义市| 五华县| 沛县| 国产精品无码专区av在线播放| 国产午夜精品一区二区三区四区 | 人妻少妇一区二区三区| 新昌县| 寿阳县| 久久99热人妻偷产国产| 亚洲精品字幕| 欧美 日韩 国产 成人 在线观看| 剑河县| 日本55丰满熟妇厨房伦| 国产婷婷色一区二区三区| 佛教| 图片区 小说区 区 亚洲五月| av免费网站在线观看| 国产精品一区二区在线观看| 国产精品扒开腿做爽爽爽a片唱戏 亚洲精品一区二区三区在线 | 牡丹江市| 久久久久久毛片免费播放| 国产精品毛片久久久久久久| 成av人片在线观看www| 夜夜穞天天穞狠狠穞av美女按摩| 仁怀市| 中文字幕被公侵犯的漂亮人妻| 沅江市| 黄页网站视频| 阿瓦提县| 精品国产乱码一区二区三区| 羞羞视频在线观看| 大庆市| 平乐县| 南丹县| 浮梁县| 伽师县| 无码国产伦一区二区三区视频| 国产欧美一区二区精品性色| 五寨县| 调兵山市| 同江市| 扶余县| 欧美乱人伦人妻中文字幕| 伽师县| 英山县| 欧美精品在线观看| 久久99精品国产麻豆婷婷洗澡| 亚洲人成在线观看| 阿克陶县| 娄烦县| 中文字幕乱码人妻无码久久| 国产精品99久久久精品无码| 嫩江县| 三年大片免费观看大全电影| 色欲狠狠躁天天躁无码中文字幕| 国产婷婷色一区二区三区| 无码一区二区三区在线| 久久99精品久久久久久| 精品国产乱码久久久久久婷婷| 国产亚州精品女人久久久久久| 谢通门县| 少女视频哔哩哔哩免费| 五指山市| 国产又粗又猛又黄又爽无遮挡 | 揭阳市| 久久99精品久久久久久琪琪| 欧美午夜理伦三级在线观看| 熟妇高潮喷沈阳45熟妇高潮喷| 99国产精品99久久久久久| 成全在线观看免费完整| 无码国产精品一区二区高潮| 成全动漫视频在线观看| 高州市| 旺苍县| 99国产精品久久久久久久成人| 贵溪市| 麦盖提县| 成 人片 黄 色 大 片| 粗大的内捧猛烈进出| 131mm少妇做爰视频| 天天爽夜夜爽夜夜爽精品视频| 国产精品久久久久影院老司| av无码精品一区二区三区宅噜噜| 久久国产一区二区三区| 武清区| 国产成人精品av| 日日摸日日添日日碰9学生露脸 | 遂昌县| 尉氏县| 南城县| 精品国产av色一区二区深夜久久 | 男阳茎进女阳道视频大全| 科尔| 仪征市| 免费大黄网站| 少妇脱了内裤让我添| 国产成人综合欧美精品久久| 熟妇与小伙子matur老熟妇e| 久久精品人妻一区二区三区| 久久久久成人片免费观看蜜芽| 长治县| 精品无码久久久久成人漫画| 银川市| 无码成人精品区在线观看| 亚洲码欧美码一区二区三区| 亚洲午夜精品久久久久久浪潮| 国产女人高潮毛片| 熟女少妇内射日韩亚洲| 肥西县| 天天躁日日躁aaaaxxxx| 黑山县| 监利县| 久久成人无码国产免费播放| 扶风县| 彰化县| 玩弄人妻少妇500系列| 新丰县| 阿勒泰市| 国产女人18毛片水真多1| 南宫市| 久久久无码人妻精品一区| 无码aⅴ精品一区二区三区 | 吐鲁番市| 国产农村妇女精品一二区| 搡老熟女老女人一区二区| 成人h视频在线观看| 娱乐| 性xxxx欧美老妇胖老太性多毛| 平安县| 涡阳县| 在线亚洲人成电影网站色www| 国产精品99无码一区二区| 精品久久久久久| 在厨房拨开内裤进入毛片| 沛县| 性一交一乱一伧国产女士spa| 蜜桃成人无码区免费视频网站| 清新县| а√天堂www在线天堂小说| 进贤县| 国产精品久久久久久久久久久久午衣片 | 日韩精品无码一区二区三区| 国产精品久久久久久久久久久久午衣片| 国产色视频一区二区三区qq号| 性生交大全免费看| 久久精品aⅴ无码中文字字幕重口| 国产精品久久久久久久久久久久午衣片| 城固县| 性色av蜜臀av色欲av| 中江县| 少女视频哔哩哔哩免费| 丰顺县| 宁夏| 定边县| 成人区人妻精品一熟女| 苗栗县| 米易县| 精品乱子伦一区二区三区| 国产精品揄拍100视频| 成人做受黄大片| 少妇厨房愉情理伦bd在线观看| 永德县| 成人欧美一区二区三区| 三年成全免费观看影视大全| 嫩草av久久伊人妇女超级a| 亚洲日韩精品一区二区三区| 天天干天天射天天操| 一本大道东京热无码| 亚洲国产精品va在线看黑人| 宾川县| 灌云县| 久久精品aⅴ无码中文字字幕重口 国产又爽又黄无码无遮挡在线观看 | 亚洲精品一区| 无码人妻av免费一区二区三区| 定襄县| 亚洲无人区码一码二码三码的含义| 福安市| 久久精品国产99精品国产亚洲性色| 巴林左旗| a片在线免费观看| 播放男人添女人下边视频| 天堂资源最新在线| 丽江市| 蜜臀av在线观看| 亚洲国产精品久久久久久| 99热这里有精品| 常宁市| 性久久久久久| 无码人妻精品一区二区蜜桃色欲| 内射干少妇亚洲69xxx| 威信县| 天干夜天干天天天爽视频| 和田市| 老熟女重囗味hdxx69| 山东| 平定县| 湖口县| 延寿县| 喜德县| 国产无遮挡aaa片爽爽| 宿松县| SHOW| 精品乱码一区二区三四区视频| 在线观看的网站| 西平县| 柳江县| 天镇县| 国产精品无码专区| 谷城县| 怀来县| 国产婷婷色一区二区三区| 兰州市| 百色市| 德安县| 国产精品久久久久久久久久久久| 亚洲欧美乱综合图片区小说区| 长海县| 99久久99久久精品国产片果冻| 金湖县| 国产综合内射日韩久| 高碑店市| 毛片无码一区二区三区a片视频| 国产草草影院ccyycom| 搡老熟女老女人一区二区| 中文字幕被公侵犯的漂亮人妻| 五原县| 欧美色综合天天久久综合精品| 久久99精品国产麻豆婷婷洗澡| 欧美 变态 另类 人妖| 少妇真人直播免费视频| gogogo在线高清免费完整版| 国产精品无码一区二区桃花视频| 成全影视在线观看更新时间 | 吴忠市| 色吊丝中文字幕| 97伦伦午夜电影理伦片| 德阳市| 亚洲精品久久久久久久蜜桃| 攀枝花市| 天堂国产一区二区三区| 军事| 波多野42部无码喷潮在线| 免费观看全黄做爰的视频| 抚顺县| 噶尔县| 欧美激情性做爰免费视频| 新泰市| 国产激情久久久久久熟女老人av| 盐亭县| 宜阳县| 马龙县| 沁阳市| 绥化市| 逊克县| 成人h动漫精品一区二区无码| 狠狠躁日日躁夜夜躁2022麻豆| 丰满熟妇被猛烈进入高清片| 青草视频在线播放| 极品人妻videosss人妻| 久久亚洲国产成人精品性色 | 国产真实乱人偷精品人妻| 普兰店市| 国产香蕉尹人视频在线| 安丘市| 少妇扒开粉嫩小泬视频| 亚洲国产成人无码av在线| 无码一区二区三区在线| 西西人体做爰大胆gogo| 久久综合久久鬼色| 天堂资源最新在线| 茶陵县| 无码免费一区二区三区| 国产乱码精品一区二区三区中文| 国产偷窥熟女精品视频大全| 亚洲高清毛片一区二区| 彭山县| 少妇伦子伦精品无吗| 人妻[21p]大胆| 宝山区| 国模无码视频一区二区三区 | 无码一区二区三区免费| 国产精品成人99一区无码| 昂仁县| 日本不卡一区二区三区| 国产成人精品aa毛片| 亚洲中文无码av在线| 沈丘县| 木里| 观塘区| 一边摸一边抽搐一进一出视频| 抚顺县| 来安县| 鹤岗市| 滨海县| 城市| 亚洲午夜福利在线观看| 海门市| 宁河县| 欧美成人一区二区三区片免费| 风流少妇按摩来高潮| 99精品欧美一区二区三区| 久久久久成人片免费观看蜜芽 | 欧美一区二区三区成人片在线| 剑河县| 久久久久人妻一区精品色欧美| 盐津县| 日本在线观看| 人妻饥渴偷公乱中文字幕 | 新巴尔虎右旗| 呼伦贝尔市| 精品人妻无码一区二区三区| 邵武市| 麻豆亚洲一区| 欧美高清精品一区二区| 曲麻莱县| 国产农村乱对白刺激视频| 欧美人与性囗牲恔配| 亚洲人成色777777老人头| 天美麻花果冻视频大全英文版| 成全在线观看免费高清电视剧| 精品国产精品三级精品av网址| 国产全是老熟女太爽了| 欧美激情综合五月色丁香| 新化县| 欧美色综合天天久久综合精品 | 延津县| 天天躁日日躁aaaaxxxx| 武胜县| 中文字幕人妻丝袜二区| 成人小说亚洲一区二区三区| 国产精品久久久久永久免费看| 会东县| 堆龙德庆县| 亚洲精品一区国产精品| 免费观看全黄做爰的视频| 桦南县| 新绛县| 波多野结衣av在线观看| 松阳县| 国产精品久久久| 国精产品一二三区精华液| 阳朔县| 隆化县| 国产精成人品| 亚洲熟女一区二区三区| 天天燥日日燥| 营山县| 蜜桃一区二区三区| 人人澡超碰碰97碰碰碰| 国产亚洲精品久久久久久无几年桃| 龙门县| 三年成全全免费观看影视大全| 欧美精品在线观看| 久久午夜无码鲁丝片| 亚洲精品一区| 基隆市| 国产精品成人国产乱| 日本理伦片午夜理伦片| 熟女肥臀白浆大屁股一区二区| 成人欧美一区二区三区在线观看| 成全视频免费高清| 平遥县| 东乡| 国精品无码人妻一区二区三区 | 人妻夜夜爽天天爽三区麻豆av网站| 少妇粉嫩小泬喷水视频www| 久久99热人妻偷产国产| 国产午夜精品无码一区二区| 新竹市| 躁躁躁日日躁| 亚洲无人区码一码二码三码的含义| 国产女人和拘做受视频免费| 青草视频在线播放| 三年片免费观看大全有| 福清市| 乡宁县| 四平市| 国产免费无码一区二区| 公主岭市| 闻喜县| 99国产精品99久久久久久| 成人片黄网站色大片免费毛片| 女子spa高潮呻吟抽搐| 欧美日韩在线视频| 成全高清免费完整观看| 无码少妇一区二区三区|