起飞的木木的博客

一、K-means算法是最经典的聚类算法（无监督学习）， 本文对scikit-learn中的kmeans进行说明，以便以后使用。首先：k-means算法的优劣如下优势：简单，快速，适合常规数据集劣势：K值难确定，复杂度与样本呈线性关系，很难发现任意形状的簇（针对凸数据集效果较好：在欧氏空间中，凸集是对于集合内的每一对点，连接该对点的直线段上的每个点也在该集合内。凹集则不满...

PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第...

时间序列预测——ARIMA（差分自回归移动平均模型）ARIMA（p，d，q）中，AR是"自回归"，p为自回归项数；I为差分，d为使之成为平稳序列所做的差分次数（阶数）；MA为"滑动平均"，q为滑动平均项数，。ACF自相关系数能决定q的取值，PACF偏自相关系数能够决定q的取值。ARIMA原理：将非平稳时间序列转化为平稳时间序列然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归...

Python 3中使用ARIMA进行时间序列预测的指南在本教程中，我们将提供可靠的时间序列预测。我们将首先介绍和讨论自相关，平稳性和季节性的概念，并继续应用最常用的时间序列预测方法之一，称为ARIMA。介绍时间序列提供了预测未来价值的机会。基于以前的价值观，可以使用时间序列来预测经济，天气和能力规划的趋势，其中仅举几例。时间序列数据的具体属性意味着通常需要专门的统计方法。...

转载自：http://www.cnblogs.com/pinard/p/6244265.html，https://blog.youkuaiyun.com/weixin_40604987/article/details/79615968介绍的比较详细降维方法线性判别分析（Linear Discriminant Analysis, 以下简称LDA）LDA在模式识别领域（比如人脸识别，舰艇识别等图形图像...

算法 支持模型 树结构 特征选择 连续值处理 缺失值处理 剪枝ID3 分类 多叉树 信息增益 不支持 不支持 不支持C4.5 分类...

https://blog.youkuaiyun.com/pxhdky/article/details/86524866有关机器学习算法，这个人整理的非常全面

转 数据标准化/归一化normalization 2018年03月08日 19:20:53 goodshot 阅读数：12303 ...