实验采用TF-IDF进行文本特征提取，并比较逻辑回归、朴素贝叶斯、支持向量机、决策树和随机森林等不同分类算法的性能。其中各个数据集包含“title”(新闻文章标题)，“text”(新闻文章正文)，“subject”(新闻文章的主题)，“date”(新闻文章发布日期)列。将文本转换为TF-IDF特征向量，使分词后的文本转换为空格分隔的字符串，之后对训练集进行拟合和转换，并对测试集仅进行转换（避免数据

本研究通过机器学习方法构建保险产品推荐模型，比较了ID3决策树、CART决策树、高斯朴素贝叶斯和逻辑回归四种算法在预测;移动房车险"购买意向中的表现。针对数据集类别不平衡问题，采用SMOTE过采样技术处理。经网格搜索调优后，逻辑回归模型表现最优（准确率0.90），被选为最终推荐模型。实验发现，优化后模型准确率显著提升，但AUC值改善不明显。未来可尝试特征工程、扩大参数搜索范围及使用更多对

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