m0_46177963的博客

本文主要参考菜菜的机器学习课程及其课件本篇博文基本不涉及PCA的任何数学过程，仅讲解在sklearn中如何调用相关类实现PCA降维目录1.维度和降维的定义1.1维度的定义1.2降维的含义1.3降维的步骤2.PCA和SVDclass sklearn.decomposition.PCA2.1重要参数n_components2.1.1案例：高维数据的可视化2.1.2 最大似然估计自选超参数n_components2.1.3 按信息量占比选超参数n_components2.2重要参数svd_solver 与 r

随机森林填补缺失值1.使用0和均值来填补缺失值2.用随机森林填补缺失值的思路3.使用随机森林填补缺失值代码逐行详解3.1导包，准备数据，以及创造缺失的数据集3.2数据集中缺失值从少到多进行排序3.3构建新特征矩阵和新标签3.4在新特征矩阵中，对含有缺失值的列进行0的填补3.5找出训练集和测试集3.6用随机森林回归来填补缺失值3.7将填补好的特征填入到原始的特征矩阵中3.8完整代码4.随机森林填补缺失值的效果5.完整代码我们从现实中收集的数据，几乎不可能是完美无缺的，往往都会有一些缺失值。而随机森林的回归，

1.集成算法概述随机森林一种集成算法。集成学习（ensemble learning）是时下非常流行的机器学习算法，它本身不是一个单独的机器学习算法，而是通过在数据上构建多个模型，集成所有模型的建模结果。集成算法会考虑多个评估器的建模结果，汇总之后得到一个综合的结果，以此来获取比单个模型更好的回归或者分类结果。多个模型集成成为的模型叫做集成评估器（ensemble estimator），组成集成评估器的每个模型都叫做基评估器（base estimator），对于随机森林来说，它的基评估器就是决策树，一大堆