Claroja

岭回归是一种专门用于共线性数据分析的有偏估计回归方法，实质上时改良的最小二乘估计法，通过放弃最小二乘法的无偏性（在反复抽样的情况下，样本均值的集合的期望等于总体均值），以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对共线性问题和病态数据的拟合要强于最小二乘法经，常用于不适定问题（ill-posed problem）。 岭回归通过引入一个惩罚变量解决了普通最小二乘法的问

广义线性回归模型： 把作为系数向量（coef_）；把作为截距（intercept_） 1.普通最小二乘法（Ordinary Least Squares） 线性回归的目的就是是的预测值与实际值的残差平方和最小： import matplotlib.pyplot as plt import numpy as np #载入数据集“datasets” from sklearn import data

数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。以下是两种常用的归一化方法：一、min-max标准化（Min-Max Normalization）也称为离差标准化，是对原

Voronoi图特点 1、每个多边形内仅含有一个中心点； 2、每个多边形区域内的点到相应中心点的距离最近； 3、位于多边形边上的点到其两边的中心的距离相等。 Voronoi图做法 1. 构建三角型网 2. 找到每个三角形的外接圆圆心 3. 连接外接圆圆心 参考文献： http://blog.youkuaiyun.com/k346k346/article/details/52244123

将高纬度数据投影到低纬度空间，以减少数据的精度换区较低的维度。 从二维降低到一维，就是找一条直线，使得二维空间的各个点距离这条直线的距离(欧式距离)最短，既丧失的精度最小。(注意和线性回归进行区分) 参考文献 http://www.doc88.com/p-6939950949573.html http://blog.jobbole.com/109015/ http://blog.csdn

参考文献： https://www.cnblogs.com/haobang008/p/5911466.html