本文介绍了数据清洗与分析中的三个核心操作：缺失值处理、数据合并与数据分组。缺失值处理部分详细讲解了删除缺失值(.dropna())、填充缺失值(.fillna())和特殊标志替换的方法。数据合并部分对比了concat()的行列合并与merge()的关联合并，说明了不同连接方式的区别。数据分组部分重点阐述了groupby()的分组方法及agg()聚合函数的应用，包括单列/多列分组、获取特定分组数据以

通用操作：

对估计器的指定参数值进行详尽的搜索参1：估计器对象；参2：估计器参数(dict){"n_neighbors":[1,3,5]}；参3：指定几折交叉验证结果分析：bestscore_:在交叉验证中验证的最好结果bestestimator:最好的参数模型cvresults:每次交叉验证后的验证集准确率结果和训练集准确率结果# 导包。

b。

逻辑回归（Logistic Regression）：一种分类模型，输出是 (0, 1) 之间的值。基本思想：把经过处理预测出的值，通过sigmoid激活函数映射到 (0, 1) 之间，结合阈值划分正负样本。特点监督学习、有特征、有标签，且标签是离散的应用场景：适用于二分类。损失函数：其中，是逻辑回归预估的类别（0或1）。损失函数的手工计算：Loss = -[1*0.4+(1-1)*(1-0.4)#

名称提出时间分支方式特点ID31975信息增益1.ID3只能对离散属性的数据集构成决策树2.倾向于选择取值较多的属性C4.51993信息增益率1.缓解了ID3分支过程中总喜欢偏向选择值较多的属性2.可处理连续数值型属性，也增加了对缺失值的处理方法3.只适合于能够驻留于内存的数据集，大数据集无能为力CART1984基尼指数1.可以进行分类和回归，可处理离散属性，也可以处理连续属性2.采用基尼指数，计

对估计器的指定参数值进行详尽的搜索参1：估计器对象；参2：估计器参数(dict){"n_neighbors":[1,3,5]}；参3：指定几折交叉验证结果分析：bestscore_:在交叉验证中验证的最好结果bestestimator:最好的参数模型cvresults:每次交叉验证后的验证集准确率结果和训练集准确率结果# 导包。

使用上面保存的模型，给它对一个新的图片进行识别，看看识别结果是否准确。根据提供的数据，画出对应的手写图像。

b。

逻辑回归（Logistic Regression）：一种分类模型，输出是 (0, 1) 之间的值。基本思想：把经过处理预测出的值，通过sigmoid激活函数映射到 (0, 1) 之间，结合阈值划分正负样本。特点监督学习、有特征、有标签，且标签是离散的应用场景：适用于二分类。损失函数：其中，是逻辑回归预估的类别（0或1）。损失函数的手工计算：Loss = -[1*0.4+(1-1)*(1-0.4)#