本文以图文并茂的方式介绍了机器学习的全过程，从数据集的起点开始，涵盖探索性数据分析（EDA）、数据预处理、数据分割（训练-测试集、训练-验证-测试集和交叉验证）以及模型建立。通过实际案例，如NBA球员统计数据的可视化，阐述了EDA的重要性。在模型建立部分，讲解了学习算法、参数调优和特征选择。最后，以企鹅数据集为例，探讨了分类任务和回归任务的性能指标。
前言
感觉学习数据科学枯燥无味，那如何能让学习数据科学变得有趣而简单呢？
1. 数据集
数据集是你构建机器学习模型历程中的起点。简单来说，数据集本质上是一个M×N矩阵，其中M代表列（特征），N代表行（样本）。
列可以分解为X和Y，首先，X是几个类似术语的同义词，如特征、独立变量和输入变量。其次，Y也是几个术语的同义词，即类别标签、因变量和输出变量。
图1. 数据集的卡通插图
应该注意的是，一个可以用于监督学习的数据集（可以执行回归或分类）将同时包含X和Y，而一个可以用于无监督学习的数据集将只有X。
此外，如果Y包含定量值，那么数据集（由X和Y组成）可以用于回归任务，而如果Y包含定性值，那么数据集（由X和Y组成）可
订阅专栏 解锁全文
扫一扫
885
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
