本实验旨在利用机器学习技术，基于加州房价数据集（California Housing Dataset）构建一个房价预测模型。实验涵盖了从数据加载、探索性数据分析（EDA）、数据预处理到模型构建与评估的完整流程。核心任务是利用房屋的各项特征（如收入中位数、房龄、平均房间数等）来预测房价中位数（

本实验基于协同过滤算法成功构建了一个电影评分预测模型与推荐模型。未来改进方向：1.预测分数均为5.0，与现实情况相比比较失真，算法仍需改进；2.后续可进行前端系统的构建，提高系统的可使用性。

本研究基于心脏病数据集(303个样本，12个特征)，采用随机森林、XGBoost、逻辑回归和SVM四种机器学习模型进行心脏病预测。通过数据清洗(异常值处理后保留228个样本)、模型训练和网格搜索调优，最终选择SVM作为最优模型。特征重要性分析显示"thal"、"ca"和"cp"为关键预测因子。实验结果表明机器学习能有效辅助心脏病诊断，未来

一、实验背景与目的有超市部分顾客购买液奶和使用优惠券的历史数据（文件名：优惠券核销数据.csv ) ，包括： ( Sex, 女 1 、男 2 ) ，年龄段（Age ：中青年 1 、中老年 2 ) ，液奶品类class ：低端 1 、中档2，高端3）,平均消费额AvgSpending ) ，是否核销优惠券（AccePted ：核销l 、未核销0 ）。现进行新一轮的优惠券推送促销为实现精准营销，需确定

摘要：实验基于Python的sklearn库，使用K近邻算法(KNN)实现鸢尾花三分类任务。通过数据探索、标准化处理和训练集/测试集划分(75%/25%)，构建K=3的KNN分类模型。结果显示模型在测试集上实现了100%准确率，完美区分了Setosa、Versicolour和Virginica三类鸢尾花。实验验证了KNN算法在特征区分度高的数据集上的有效性，完成了机器学习分类任务的基本流程实践。

本研究基于心脏病数据集(303个样本，12个特征)，采用随机森林、XGBoost、逻辑回归和SVM四种机器学习模型进行心脏病预测。通过数据清洗(异常值处理后保留228个样本)、模型训练和网格搜索调优，最终选择SVM作为最优模型。特征重要性分析显示"thal"、"ca"和"cp"为关键预测因子。实验结果表明机器学习能有效辅助心脏病诊断，未来

本实验旨在利用机器学习技术，基于加州房价数据集（California Housing Dataset）构建一个房价预测模型。实验涵盖了从数据加载、探索性数据分析（EDA）、数据预处理到模型构建与评估的完整流程。核心任务是利用房屋的各项特征（如收入中位数、房龄、平均房间数等）来预测房价中位数（

一、实验背景与目的有超市部分顾客购买液奶和使用优惠券的历史数据（文件名：优惠券核销数据.csv ) ，包括： ( Sex, 女 1 、男 2 ) ，年龄段（Age ：中青年 1 、中老年 2 ) ，液奶品类class ：低端 1 、中档2，高端3）,平均消费额AvgSpending ) ，是否核销优惠券（AccePted ：核销l 、未核销0 ）。现进行新一轮的优惠券推送促销为实现精准营销，需确定

本实验基于协同过滤算法成功构建了一个电影评分预测模型与推荐模型。未来改进方向：1.预测分数均为5.0，与现实情况相比比较失真，算法仍需改进；2.后续可进行前端系统的构建，提高系统的可使用性。

摘要： 本实验采用朴素贝叶斯算法对垃圾邮件进行分类，基于Kaggle的5826条邮件数据集（含文本和标签）。通过数据预处理（过滤停用词、保留≥3字母的英文词）、文本向量化（CountVectorizer）和网格搜索优化参数（如ngram_range、平滑强度等），构建分类模型。初始模型准确率达98.3%，优化后进一步提升至98.5%。ROC曲线和混淆矩阵显示模型性能优异，邮件内容区分度高。未来可尝