lanzhen001的博客

1、对于英文不好的，首推： 中文文档说明 这个网站包括有算法说明，函数，代码和一些说明，比较详细 2、英文官网：主要查询各参数的说明 英文官网 API 3、博客园中 唐啊唐囧囧 写的博客 机器学习经典算法大全-代码整理（python） ...

线性回归 features = data[["total_bill"]] tip = data["tip"] from sklearn import linear_model f = linear_model.LinearRegression(fit_intercept = False) f.fit(features,tip) 代码说明： f是在训练模型， fit_intercept = False,是设定y坐标为0， features要用双中括号 a = np.array([100]).

多项式回归 from sklearn.preprocessing import PolynomialFeatures poly3 = PolynomialFeatures(degree = 3) x_x2_and_x3 = poly3.fit_transform(arbitraary_data[['x']]) 代码说明：指定计算所有指数不超过3的 degree =3，将数据转换为一个特征矩阵, 如果是具体的数据，.fit_transform() 内可以填写具体的数据，.shape()可以查看特征矩阵

这是扩展的，手动计算 def mse_loss_single_arg(thetas): x = df["PTS"] y_obs = df["WON"] return mse_loss(thetas[0], thetas[1], x, y_obs) from scipy.optimize import minimize minimize(mse_loss_single_arg, x0 = [0, 0]) 代码说明：给它单一变量的函数，它会找到这个函数的最低点 逻辑回顾 fr

分类 from sklearn.neighbors import KNeighborsClassifier model = KNeighborsClassifier(n_neighbors = 5) model.fit(df[['Income','Debt']],df['Status']) 代码说明： 1、新建一个模型 n_neighbors是指取相邻数据的数量，调整这个数值在合理值时，相应的预测会更准确 2、用‘fit’命令，告诉模型根据数据进行拟合，让模型根据Incom,Debt来预测Status，注

绘制散点图 sns.scatterplot(data = df , x = 'Income', y = 'Debt', hue = 'Status') 绘制连线图 sns.lineplot(income_values, rmodel.predict(income_values.reshape(-1,1)),color = 'palevioletred') 绘制带斜率的图，回归模型 sns.regplot(x="total_bill", y="tip", data=data) ...