你隔壁的小王的博客

这篇文章详细的介绍了如何配置阿里云云端数据库，大家感兴趣的可以查看，并且配了Navicat premium安装详解（需要软件也可以练习博主），博主也安装和配置了DataGrip，DataGrip只要试用30天，最主要的是配置起来超级麻烦，要改很多东西，大家如果有问题也可以问我

算法原理K-means算法是最常用的一种聚类算法。算法的输入为一个样本集（或者称为点集），通过该算法可以将样本进行聚类，具有相似特征的样本聚为一类。针对每个点，计算这个点距离所有中心点最近的那个中心点，然后将这个点归为这个中心点代表的簇。一次迭代结束之后，针对每个簇类，重新计算中心点，然后针对每个点，重新寻找距离自己最近的中心点。如此循环，直到前后两次迭代的簇类没有变化。假设第一个图作为我们的原始数据集，设K=2，在图上随机选择两个K类所对应的类别质心，级途中的红色和蓝色的叉，计算样本中所有的点到这两

线性回归模型属于经典的统计学模型，该模型的应用场景是根据已知的变量（自变量）来预测某个连续的数值变量（因变量），线性回归通常可以应用在股价预测、营收预测、广告效果预测、销售业绩预测当中。如我们现在有10行2列数据，第一列是身高，第二列是体重，通常做法：将原始数据切分时，将原始数据的80%作为训练数据来训练模型，另外20%作为测试数据，通过测试数据直接判断模型的效果，在模型进入真实环境前不断改进模型

该算法的核心思想：不标记样本的类别，由距离其最近的K个邻居投票来决定，所以K值的选择比较关键该算法的原理：计算待标记的数据样本和数据集中每个样本的距离，取距离最近的k个样本。待标记的数据样本所属的类别，就由这k个距离最近的样本投票产生。但在实际运用中，我们应该如何判断K的取值那？