qq_42873479的博客

机器学习算法基础——六分类算法——逻辑回归逻辑回归sklearn逻辑回归APILogisticRegression回归案例LogisticRegression总结生成模型和判别模型非监督学习（unsupervised learning） K—meansk-means步骤k-means APIk-means对Instacart Market用户聚类Kmeans性能评估指标Kmeans性能评估指标APIKmeans总结分类算法——逻辑回归逻辑回归1.逻辑回归是解决二分类问题的利器。h(ω)=ω0+ω1x

机器学习基础——四决策树认识决策树信息的度量和作用决策树的划分依据之一：信息增益常见决策树使用的算法sklearn决策树API泰坦尼克号乘客生存分类模型决策树的优缺点以及改进集成算法——随机森林集成学习方法随机森林随机森林API随机森林的优点决策树认识决策树决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法。信息的度量和作用假设有32支球队，猜谁是冠军？每猜一次给一块钱，告诉我是否猜对了，那么我需要掏多少钱才能知道谁是

机器学习基础——三朴素贝叶斯朴素贝叶斯朴素——特征独立1.概率知识联合概率：包含多个条件，且所有条件同时成立。P(A,B)=P(A)P(B)条件概率：就是事件A在另外一个事件B已经发生条件下的发生概率，记作：P（A|B）。特性：P（A1，A2|B）= P（A1|B）P（A2|B）（条件A1，A2相互独立）。2.朴素贝叶斯——贝叶斯公式P(C∣W)=P(W∣C)P(C)P(W)P(C|W)=\frac{P(W|C)P(C)}{P(W)}P(C∣W)=P(W)P(W∣C)P(C)​注：文档分类

机器学习算法基础——四回归算法——线性回归分析过拟合和欠拟合回归算法——线性回归分析1.定义：线性回归通过一个或者多个自变量与因变量之间进行建模的回归分析。一元线性回归涉及到的变量只有一个，多元线性回归涉及到的变量有两个及两个以上。通用公式：h(ω)=ω0+ω1x1+ω2x2+...=ωTxh(\omega) = \omega_0+\omega_1x_1+\omega_2x_2+...=\omega^Txh(ω)=ω0​+ω1​x1​+ω2​x2​+...=ωTx2.损失函数（误差大小）●yiy

机器学习算法基础——二sklearn数据集数据集基本操作转换器与估计器分类算法-k近邻算法(KNN)sklearn数据集数据集基本操作1.数据集划分机器学习一般的数据集会划分为两个部分：训练数据：用于训练，构建模型测试数据：在模型检验时使用，用于评估模型是否有效一般训练集和测试集比例是75%：25%2.scikit-learn数据集API介绍类：sklearn.model_selection.train_test_splitsklearn.datasets  加载获取流行数据集●d

机器学习算法基础——一数据集数据集的特征数据集数据集的特征1.数据集的结构：特征值+目标值2.Scikit-learn库：(1).分类：Classfication(2).回归：Regression(3).聚类：Clustering(4).降维：Dimensionality reduction(5).模型选择：Model selection(6).特征工程：Preprocessing3.数据集的特征抽取1.字典特征抽取：对字典数据进行特征值化DictVectorizer(sparse