m0_46861439的博客

1. 人工分类主要靠 plt.pcolormesh 来实现尝试使用线性回归和岭回归来耍耍，但效果不咋地特别是正则项c的取法，奇怪的一批import numpy as npimport matplotlib.pyplot as pltx = np.array([ [3, 1], [2, 5], [1, 8], [6, 4], [5, 2], [3, 5], [5, 7], [4, -1]])y = np.array([0, 1,

1.正向激励方法：import sklearn.tree as stimport sklearn.ensemble as se# model: 决策树模型（一颗）model = st.DecisionTreeRegressor(max_depth=4)# 自适应增强决策树回归模型 # n_estimators：构建400棵不同权重的决策树，训练模型model = se.AdaBoostRegressor(model, n_estimators=400, random_state=7)# 训

reference：1.https://blog.youkuaiyun.com/jiaoyangwm/article/details/795252372.https://www.bilibili.com/video/BV1CB4y1c7UQ?p=221. 决策树原理： 将信息分类，使得沿着路径特征不断聚合比如用这张图，根据深度由根到叶到子叶可以将分类目标分别设置为年龄，学历，经历，性别到深的叶节点，每一个点上的特征有四种且每种只有一个对于待预测样本，根据其每一个特征的值，选择对应的子表，逐一匹配，直到找

1.超简易代码（不用sklearn）可以改进的地方：导入函数没写，不过大部分默认使用 .csv的格式import numpy as npimport matplotlib.pyplot as plttrain_x = np.array([0.5, 0.6, 0.8, 1.1, 1.4])train_y = np.array([5.0, 5.5, 6.0, 6.8, 7.0])test_x = np.array([0.45, 0.55, 1.0, 1.3, 1.5])test_y = np.

基于https://www.bilibili.com/video/BV1CB4y1c7UQ?p=9&spm_id_from=pageDriver#问题分类：回归（函数输出），分类，聚类（根据相似度划分成不同的群落），降维（降低数据复杂度）#数据预处理：将字符串转为数值，将数据归一化（避免最后的过度拟合）#1.标准化#均值移除：一个样本的不同特征差异可能较大，不利于机器学习算法惊样本处理#将样本化为均值为0，标准差为1的数据集#均值为0算法：1.求平均值 2.每个分量减去平均值#标