qq_35876316的博客

机器学习中的“训练/测试”是指使用机器学习算法从数据中学习模式的过程，并将学到的模型用于预测或分类新数据。这个过程通常分为两个主要阶段：训练阶段和测试阶段。

在机器学习中，“缩放”（Scaling）是指对数据集中的特征（或变量）进行变换，以使它们处于相同的尺度或范围内。缩放是数据预处理的一个重要步骤，对于提高机器学习模型的性能和稳定性至关重要。

多元回归（Multiple Regression）是一种统计学方法，用于建立一个因变量（响应变量）与多个自变量（解释变量）之间的关系。多元回归的目的是通过最小化预测误差来找到最佳的拟合模型，从而可以用来预测因变量的值或理解自变量与因变量之间的关系。多元回归的基本形式可以表示为：例子：一组数据集，其中包含了一些有关汽车的信息。可以根据发动机排量的大小预测汽车的二氧化碳排放量，但是通过多元回归，我们可以引入更多变量，例如汽车的重量，以使预测更加准确。在 Python 中，我们拥有可以完成这项工作的模块。

多项式回归（Polynomial Regression）是一种回归分析方法，它将自变量 xx 和因变量 yy 之间的关系建模为 nn 次多项式。多项式回归的目的是找到一个 nn 次多项式函数，使得这个函数能够最好地拟合给定的数据点。多项式回归可以看作是线性回归的扩展，因为线性回归是 n=1n=1 时的特殊情况。当数据点之间的关系不是线性的，而是曲线时，多项式回归可以提供更好的拟合。

线性回归（Linear Regression）是一种统计学方法，用于建立一个或多个自变量（解释变量）与因变量（响应变量）之间的线性关系。线性回归的目的是通过最小化预测误差来找到最佳的线性拟合模型，从而可以用来预测因变量的值或理解自变量与因变量之间的关系。线性回归使用数据点之间的关系在所有数据点之间画一条直线。这条线可以用来预测未来的值。线性回归的参数估计通常使用最小二乘法（Least Squares Method），该方法通过最小化误差项的平方和来找到最佳的回归系数。

散点图（Scatter Plot）是一种用于展示两个变量之间关系的图表类型。它通过在二维平面上绘制点来表示数据的分布情况，每个点的横坐标（x轴）和纵坐标（y轴）分别对应数据集中的两个变量的值。散点图的主要目的是观察和分析两个变量之间是否存在某种相关性，例如正相关、负相关或无相关。：每个数据点在图表上的位置由其对应的两个变量值决定。：通过观察数据点的分布模式，可以判断两个变量之间是否存在相关性。如果数据点大致沿着一条直线分布，这可能表明两个变量之间存在线性关系。

正态数据分布，也称为高斯分布（Gaussian distribution），是一种在统计学中非常重要的概率分布。它描述了自然和社会科学中许多现象的分布情况，如人的身高、体重、智商等。正态分布的图形特征是中间高、两边低，呈对称的钟形曲线，因此也被称为钟形曲线（bell curve）。其中，μμ 是分布的均值（mean），σσ 是分布的标准差（standard deviation），σ2σ2 是分布的方差（variance）。：正态分布的图形关于均值 μμ 对称，即分布的左侧和右侧是镜像的。

数组值是随机数，不会在您的计算机上显示完全相同的结果。第一栏代表数组中有多少 0 到 1 之间的值。第二栏代表有多少 1 到 2 之间的数值。我们使用上例中的数组绘制 5 条柱状图。

什么是 75 百分位数？答案是 43，这意味着 75％ 的人是 43 岁或以下。例如：假设我们有一个数组，包含住在一条街上的人的年龄。使用Python NumPy。

在机器学习（和数学）中，通常存在三种我们感兴趣的值：均值（Mean）中值（Median）众数（Mode）

数据集是一组数据的集合，这些数据可以是数值型、文本型、图形型等多种形式。数据集通常用于统计分析、机器学习、科学研究、商业智能等领域，以发现数据中的模式、趋势和关联性。