文章目录使用决策树预测泰坦尼克号幸存者实例一、数据获取二、数据探索三、数据预处理四、数据建模五、模型评价使用决策树预测泰坦尼克号幸存者实例代码来自《scikit-learn机器学习：常用算法原理及编程实战》P122import pandas as pdfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.model_selec

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

关于线性分类 - 从线性回归到其他机器学习模型到线性分类线性分类一、频率派 - 统计机器学习1、线性回归：从三个方面来打破：属性、全局、系数①属性非线性：②全局非线性 ：③系数非线性：全局性：数据未加工：2、线性分类线性分类有两种①硬分类：②软分类：3、感知机模型（硬分类）4、线性回归和线性分类的关系从回归到分类二、贝叶斯派 - 概率图模型概率图参考线性分类从两个角度来看机器学习(点击此处 - 频