Yuka_bro

在已知隐变量个数的情况下，gmm的聚类效果会比K-means要好得多

【聚类】之浅谈（对比K-means跟DB-scan）

8、【文本分析】之TF-IDF、LDA主题模型的实战演练进行数据向量化（并用贝叶斯进行新闻分类）

* P(c), 文章中出现一个正确拼写词 c 的概率, 也就是说, 在英语文章中, c 出现的概率有多大* P(w|c), 在用户想键入 c 的情况下敲成 w 的概率. 因为这个是代表用户会以多大的概率把 c 敲错成 w* argmaxc, 用来枚举所有可能的 c 并且选取概率最大的...

6、【集成学习】之bagging、boosting、stacking浅析

上次案例中，通过手动写K折合交叉验证找出了最佳参数，然而在最终预测结果上并不理想，故此处使用sklearn自带的Grid_Search库进行搜索。

对于一个二分类问题，首先想到的还是逻辑回归！（我愿称逻辑回归为最nb的二分类算法，目前为止）

【正式建模】之数据划分、模型选择以及模型评估、调优

机器学习预处理详细流程，理论＋demo

1、机器学习之特征工程和文本特征的提取

利用鸢尾花数据集复现DBSCAN密度聚类算法

对于这样一个简单的三分类问题，我打算直接采用2.5:7.5的划分并用贝叶斯跟决策树分别训练对比分类效果，详细步骤如下：

解释频繁项集等等https://blog.youkuaiyun.com/u013007900/article/details/54743395

KDD数据挖掘概述数据类型数据预处理清洗集成选择变换挖掘模式评估知识表示OLAP / OLTP关联挖掘分析AprioriFp-growth分类决策树贝叶斯Knn聚类K-meansThe DC technology has been still remembered rolling up！The\ DC\ technology\ has\ been\ still\

https://baijiahao.baidu.com/s?id=1670820260243417758&wfr=spider&for=pc注：个人理解即为描述数据的数据比如（电脑存储系统的版本号，电脑的服务器…）

https://www.cnblogs.com/en-heng/p/5719101.html

数据规范化数据规范化（归一化）处理是数据挖掘的一项基础工作。不同评价指标往往具有不同的量纲，数值见的差别可能很大，不进行处理可能会影响到数据分析的结果。为了消除指标之间的量纲和取值范围差异的影响，需要进行标准化处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析。如将工资收入属性值映射到[-1, 1]或者[0, 1]内。== 数据规范化对于基于距离的挖掘算法尤为重要。==最小-最大规范化最小-最大规范化也称为离散标准化，是对原始数据的线性变换，将数据值映射到[0, 1]之间。转换

代码块：s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"for x, w in jieba.analyse.extract_tags(s, withWeight=True): print('%s %s' % (x, w))print("==============

数据仓库和数据挖掘的OLAP技术引言一、什么是数据仓库二、数据仓库的关键特征2.1、面向主题2.2、数据集成2.3、随时间而变化2.4、数据不易丢失三、数据仓库的构建和使用四、数据仓库与操作数据库系统五、多维数据模型引言数据仓库中的数据清理和数据集成，是数据挖掘的重要数据预处理步骤数据仓库提供OLAP工具，可用于不同粒度的数据分析很多数据挖掘功能都可以和OLAP操作集成，以提供不同概念层上的知识发现分类预测关联聚集一、什么是数据仓库数据仓库的定义很多，但却很难有一种严格的定义：

数据挖掘绪论一、什么是数据挖掘二、kDD的步骤三、典型数据挖掘系统的体系结构三、在何种数据上进行数据挖掘四、数据挖掘应用五、数据挖掘可以挖掘哪些模式5.1、概念/类描述: 特性化和区分5.2、关联分析5.3、分类和预测5.4、聚类分析5.5、孤立点分析5.6、趋势和演变分析六、什么样的模式是有趣的七、数据挖掘系统的分类八、数据挖掘的主要问题一、什么是数据挖掘二、kDD的步骤数据清理: (这个可能要占全过程60％的工作量)数据集成数据选择数据变换数据挖掘（选择适当的算法来找到感兴趣的模式）