山顶听风的博客

https://www.bilibili.com/video/BV1pFWvzCEVh/?spm_id_from=333.337.search-card.all.click&vd_source=65d7800c55c288725af7f82cd2d0e8de

1、通过 mlp 模型，实现了基于图像数据的数字自动识别分类；2、完成了图像的数字化处理与可视化；3、对 mlp 模型的输入、输出数据格式有了更深的认识，完成了数据预处理与格式转换；4、建立了结构更为复杂的 mlp 模型5、mnist 数据集地址：http://yann.lecun.com/exdb/mnist/

X.head()1、通过 mlp 模型，在不增加特征项的情况下，实现了非线性二分类任务；2、掌握了 mlp 模型的建立、配置与训练方法，并实现基于新数据的预测；3、熟悉了 mlp 分类的预测数据格式，并实现格式转换；4、核心算法参考链接：https://keras-cn.readthedocs.io/en/latest/#30skeras。

酶活性预测实战 summary:1、通过建立二阶多项式回归模型，对酶活性实现了一个较好的预测，无论针对训练或测试数据都得到一个高的 r2 分数；2、通过建立线性回归、五阶多项式回归模型，发现存在过拟合或欠拟合情况。过拟合情况下，对于训练数据 r2 分数高（预测准确），但对于预测数据 r2 分数低（预测不准确）；3、无论时通过 r2 分数，或是可视化模型结果，都可以发现二阶多项式回归模型效果最好。

1、基于iris_data.csv数据，建立决策树模型，评估模型表现;2、可视化决策树结构;3、修改min_samples_leaf参数，对比模型结果代码工具：jupyter notebook。

1、基于 anomaly_data.csv 数据，可视化数据分布情况、及其对应高斯分布的概率密度函数2、建立模型，实现异常数据点预测3、可视化异常检测处理结果4、修改概率分布阈值 EllipticEnvelope (contamination=0.1) 中的 contamination，查看阈值改变对结果的影响代码工具：jupyter notebook。

1、采用 Kmeans 算法实现 2D 数据自动聚类，预测 V1=80,V2=60 数据类别；2、计算预测准确率，完成结果矫正3、采用 KNN、Meanshift 算法，重复步骤 1-2数据: data.csv。

1、基于chip_test.csv 数据，建立逻辑回归模型（二阶边界），评估模型表现；2、以函数的方式求解边界曲线；3、描绘出完整的决策边界曲线；

基于 examdata.csv 数据，建立逻辑回归模型，预测 Exam1 = 75, Exam2 = 60 时，该同学在 Exam3 是 passed or failed；建立二阶边界，提高模型准确度。下载链接: https://pan.baidu.com/s/1XtMf1Bg1SYoUYC-yQY-Qxw 提取码: 8497。

3、预测 Income=65000，House Age=5，Number of Rooms=5，Population=30000，size=200 的合理房价。2、以 income、house age、numbers of rooms、population、area 为输入变量，建立多因子模型，评估模型表现。1、以面积为输入变量，建立单因子模型，评估模型表现，可视化线性回归预测结果。在单因子模型效果不好的情况下，通过考虑更多的因子，建立了多因子模型；多因子模型达到了更好的预测效果，r2 分数为 0.91；

LR 实现线性预测（代码在 jupyter notebook 中运行）## 任务:基于 generated_data.csv 数据，建立线性回归模型，预测 x = 3.5 对应的 y 值，评估模型表现。