oisflo的博客

本任务中，我们将利用CWUR提供的世界各地知名大学各方面的排名数据（如师资、科研等），通过数据可视化的方式观察不同大学的特点，并构建机器学习模型（线性回归）预测大学的综合得分。X = data_df[feature_cols] # 自变量Y = data_df['score'] # 因变量。

在代码中设置随机种子（例如 RANDOM_SEED = 2024）的主要目的是为了确保每次运行代码时，随机过程的结果是一致的。通过绘制不同参数组合下的准确率图，直观地展示了参数对模型性能的影响，帮助读者更好地理解和选择合适的参数。通过设置相同的随机种子（伪随机数），可以确保每次运行代码时，随机数生成器生成的随机数序列是相同的。如果在开发过程中遇到问题，设置固定的随机种子可以帮助你更容易地定位问题，因为每次运行代码时的数据和结果都是一样的。在科学研究和实验中，结果的可重复性是非常重要的。

这段代码通过多种实验（不同K值、不同距离度量方式、平权和加权K-NN、不同训练集大小比例）来评估KNN模型在图像分类任务中的性能，并通过可视化手段展示结果。它的基本思想是：对于一个待分类的样本，找到训练集中与其最接近的 K 个样本（邻居），然后根据这 K 个邻居的类别或属性来决定待分类样本的类别或属性。通过多种实验（不同K值、不同距离度量方式、平权和加权K-NN、不同训练集大小比例）来评估KNN模型在图像分类任务中的性能，并通过可视化手段展示结果。K 值较小：模型对训练数据的拟合程度较高，容易过拟合。