HJZ11的博客

文章目录1.导入工具包2.导入训练包2.1忽略警告2.2 不采用科学计数法2.3 设置字体3.读取文件3.1 常用读取文件3.2 读取index和label之间的映射关系4.数据分析与处理4.1 查看数据4.2 分段，分类4.3 时间特征处理5.异常值，缺失值，删除数据5.1 replace5.2 drop5.3 fillna6.特征工程6.1 离散连续处理6.2 相关性，正交矩阵6.3 标准化，归一化7.数据划分8.模型选择8.1 线性回归8.2 随机森林8.3 GBDT8.4 SVM8.5 KNN9.模

1.基础2.回归算法

# 1.导包import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.datasets import load_digitsfrom sklearn.preprocessing import MinMaxScaler, StandardScalerfrom sklearn.model_selection import train_test_splitfrom sklearn.neighb

# -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltfrom matplotlib.colors import ListedColormapfrom sklearn.cross_validation import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom sklearn.datasets import mak

KNN1.KNN算法2.KD-Tree3.案例4.应用场景1.KNN算法2.KD-Tree3.案例1.鸢尾花分类2.约会网站3.手写数字识别4.应用场景

决策树1.信息熵2.决策树3.决策树优化4.决策树可视化5.应用场景1.信息熵2.决策树3.决策树优化4.决策树可视化5.应用场景决策树进行用户分级评估决策树优缺点及适用场景

回归算法1.线性回归算法2.多项式回归算法3.过拟合与正则化4.Logistic回归算法5.Softmax回归算法6.梯度下降7.特征抽取8.线性回归案例9.应用场景1.线性回归算法2.多项式回归算法3.过拟合与正则化4.Logistic回归算法5.Softmax回归算法6.梯度下降7.特征抽取一.特征提取和特征选择的区别特征选择和降维（特征提取）有着些许的相似点，这两者达到的效果是一样的，就是试图去减少特征数据集中的属性(或者称为特征)的数目；但是两者所采用的方式方法却不同

机器学习概述01-机器学习的定义02-机器学习，人工智能与深度学习的关系03-机器学习基本概念和常用的应用场景04-机器学习，数据分析，数据挖掘的区别与联系05-机器学习分类06-机器学习数据处理流程01-机器学习的定义02-机器学习，人工智能与深度学习的关系03-机器学习基本概念和常用的应用场景04-机器学习，数据分析，数据挖掘的区别与联系05-机器学习分类06-机器学习数据处理流程...

1-机器学习基础一.数学基础1常见函数2导数，梯度3Taylor公式4概率5期望，方差，协方差6大数定理，中心极限定理7最大似然估计8向量矩阵的运算9向量矩阵的求导10SVD,QR分解二.Python基础1-Numpy2-Matplotlib3-Pandas4-Scikit-learn5-Kaggle一.数学基础1常见函数2导数，梯度3Taylor公式4概率5期望，方差，协方差6大数定理，中心极限定理7最大似然估计8向量矩阵的运算9向量矩阵的求导10SVD,QR

线性回归1-普通最小二乘法