NewBeeMu的博客

# coding=utf-8# @Time : 2019/12/6 10:21# @Author : Z# @Email : S# @File : CosMoviesRecommend.py#给用户推荐电影import mathimport sysfrom texttable import Texttable #pip install texttable...

# coding=utf-8# @Time : 2019/12/12 0:34# @Author : Z# @Email : S# @File : 10.1CTR.py# 读入数据import osdata_path = os.path.join(".", "train_small.csv")import pandas as pdctr_data1 = pd....

# coding=utf-8# @Time : 2019/12/3 14:48# @Author : Z# @Email : S# @File : 2.6ML_SMOTO_talentFeatures.py#数据挖掘项目构建人才(用户)流失模型import pandas as pdtalent_data = pd.read_csv("./train.csv")...

步骤：1、加载数据2、查看数据的特征信息3、特征选择-pclass船舱仓位-sex-age4、对age列进行空值填充5、对pclass处理和sex的处理6、对数据集进行划分，划分为训练集和测试集7、加载算法构建模型8、预测9、校验# coding=utf-8# @Time : 2019/12/1 20:49# @Author : Z# @Email : S#...

贝叶斯公式：P(A|B)=P(B|A)*P(A)朴素贝叶斯：P(A|B)=P(B|A)*P(A)=P(B1)*P(B2)*P(B3)*P(A)类条件独立朴素贝叶斯：1、朴素贝叶斯在贝叶斯的基础上做了类条件的独立，简化了原来的贝叶斯公式的计算2、朴素贝叶斯后验概率不需要计算分母的全概率公式，去掉分母部分，简化了计算...

经典的关联规则挖掘算法包括Apriori算法和FP-growth算法。apriori算法多次扫描交易数据库，每次利用候选频繁集产生频繁集；而FP-growth则利用树形结构，无需产生候选频繁集而是直接得到频繁集，大大减少扫描交易数据库的次数，从而提高了算法的效率。但是apriori的算法扩展性较好，可以用于并行计算等领域。使用Apriori算法进行关联分析。FP-growth算法来高效发现频繁...

# coding=utf-8# @Time : 2019/12/7 15:46# @Author : Z# @Email : S# @File : KNNtest.pyimport numpy as npimport pandas as pdfrom sklearn import model_selection as msfrom math import sqrt...

# coding=utf-8# @Time : 2019/12/4 20:21# @Author : Z# @Email : S# @File : UserBasedCF.py#MovieLens电影推荐系统import math#定义基于用户得协同过滤算法类class UserBasedCF: #初始化对象 def __init__(self...