机器学习基础篇：K-Means聚类分析文章目录机器学习基础篇：K-Means聚类分析常用的聚类分析算法K-Means聚类算法导入库及初始化数据集K-Means类实现初始化和拟合模型绘制初始和最终聚类中心常用的聚类分析算法算法名称算法描述K-MeansK-均值聚类也称为快速聚类法，在最小化误差函数的基础上将数据划分为预定的类数K。该算法原理简单并便于处理大量数据K-中心点系统聚类K-Means聚类算

文章目录支持向量机 - SVM一、简单定义二、基本术语三、线性可分支持向量机四、线性支持向量机五、非线性支持向量机参考支持向量机 - SVM一、简单定义支持向量机（support vector machines,SVM）是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机：支持向量机还包括核技巧，这使它成为实质上的非线性分类器，支持向量机的学习策略就是

Python -CSV- DataFrame转换问题问题描述：原来的data是有数据的加完列标签names，将英文转换为中文，下面的值即全为Null了原因分析：导入csv时自动把第一行变成列标签，转换成dataFrame不能另覆盖，行数不同解决方案：先把csv转换成dataFrame再修改列名即可...

正则化、MLE、MLP三个串联起来阐述线性回归从两个方面：未加正则化的线性回归：①标量的最小二乘法LSE：损失函数是L=∣∣wTxi−yi∣∣2L = ||w^Tx_i-y_i||^2L=∣∣wTxi​−yi​∣∣2，目标是求其最小值，对其做矩阵变换，变换后对w求导，∂L(w)w=(XTX+XTX)W−XTY−XTY=2XTXW−2XTY=0\begin{aligned}\frac{\partia

文章目录支持向量机 - SVM一、简单定义二、基本术语三、线性可分支持向量机四、线性支持向量机五、非线性支持向量机参考支持向量机 - SVM一、简单定义支持向量机（support vector machines,SVM）是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机：支持向量机还包括核技巧，这使它成为实质上的非线性分类器，支持向量机的学习策略就是

MSE（均方误差）、RMSE （均方根误差）、MAE （平均绝对误差）1、MSE（均方误差）（Mean Square Error）MSE是真实值与预测值的差值的平方然后求和平均。范围[0,+∞)，当预测值与真实值完全相同时为0，误差越大，该值越大。import numpy as npfrom sklearn import metricsy_true = np.array([1.0, 5.0, 4.

机器学习基础篇：K-Means聚类分析文章目录机器学习基础篇：K-Means聚类分析常用的聚类分析算法K-Means聚类算法导入库及初始化数据集K-Means类实现初始化和拟合模型绘制初始和最终聚类中心常用的聚类分析算法算法名称算法描述K-MeansK-均值聚类也称为快速聚类法，在最小化误差函数的基础上将数据划分为预定的类数K。该算法原理简单并便于处理大量数据K-中心点系统聚类K-Means聚类算

正则化、MLE、MLP三个串联起来阐述线性回归从两个方面：未加正则化的线性回归：①标量的最小二乘法LSE：损失函数是L=∣∣wTxi−yi∣∣2L = ||w^Tx_i-y_i||^2L=∣∣wTxi​−yi​∣∣2，目标是求其最小值，对其做矩阵变换，变换后对w求导，∂L(w)w=(XTX+XTX)W−XTY−XTY=2XTXW−2XTY=0\begin{aligned}\frac{\partia

MSE（均方误差）、RMSE （均方根误差）、MAE （平均绝对误差）1、MSE（均方误差）（Mean Square Error）MSE是真实值与预测值的差值的平方然后求和平均。范围[0,+∞)，当预测值与真实值完全相同时为0，误差越大，该值越大。import numpy as npfrom sklearn import metricsy_true = np.array([1.0, 5.0, 4.

文章目录数据挖掘与建模过程一、数据获取/取样二、数据探索数据质量分析数据特征分析三、数据预处理数据清洗数据集成数据变换数据规约Python主要预处理函数四、数据建模五、模型评价六、参考资料数据挖掘与建模过程一、数据获取/取样明确挖掘目标，从业务系统中抽取出一个与挖掘目标相关的样本数据子集。一是相关性，二是可靠性，三是有效性import pandas as pdfrom sklearn.ensemb