第1关：基于贝叶斯决策理论的分类方法任务描述本关任务：理解朴素贝叶斯的分类思想，完成编程习题。相关知识为了完成本关任务，你需要掌握：1.贝叶斯，2.朴素贝叶斯。贝叶斯朴素贝叶斯是贝叶斯决策理论的一部分，所以讲述朴素负叶斯之前有必要快速了解一下贝叶斯决策理论。 假设现在我们有一个数据集，它由两类数据组成，数据分布如图1所示。图1 两个参数已知的概率分布，参数决定了分布的形状。假设有位读者找到了描述图

第3关：手写数字识别任务描述相关知识数据简介RandomForestClassifier编程要求测试说明任务描述本关任务：使用 sklearn 中的 RandomForestClassifier 类完成手写数字识别任务。请不要修改Begin-End段之外的代码。相关知识为了完成本关任务，你需要掌握如何使用 sklearn 提供的 RandomForestClassifier 类。数据简介本关使用的

第2关：随机森林算法流程任务描述本关任务：补充 python 代码，完成 RandomForestClassifier 类中的 fit 和 predict 函数。请不要修改 Begin-End 段之外的代码。相关知识为了完成本关任务，你需要掌握随机森林的训练与预测流程随机森林的训练流程随机森林是 Bagging 的一种扩展变体，随机森林的训练过程相对与 Bagging 的训练过程的改变有：基学习器

【代码】pycharm链接neo4j数据库（简单）

第2关:Seaborn图形介绍任务描述相关知识频次直方图、KDE和密度图矩阵图分面频次直方图条形图折线图编程要求测试说明任务描述本关任务：编写一个使用Seaborn来绘制散点图的程序。相关知识Seaborn的主要思想是用高级命令为统计数据探索和统计模型拟合创建各种图形，下面将介绍一些Seaborn中的数据集和图形类型。虽然所有这些图形都可以用Matplotlib命令实现（其实Matplotlib就

1.首先了解一下什么是过拟合，什么是欠拟合？过拟合：根本原因是特征维度过多，模型假设过于复杂，参数过多，训练数据过少，噪声过多，导致拟合的函数完美的预测训练集，但对新数据的测试集预测结果差。 过度的拟合了训练数据，而没有考虑到泛化能力。解决方法：（1）减少特征维度；（2）正则化，降低参数值。欠拟合：根本原因是特征维度过少，模型过于简单，导致拟合的函数无法满足训练集，误差较大；解决方法：（1）增加特

第1关：基于贝叶斯决策理论的分类方法任务描述本关任务：理解朴素贝叶斯的分类思想，完成编程习题。相关知识为了完成本关任务，你需要掌握：1.贝叶斯，2.朴素贝叶斯。贝叶斯朴素贝叶斯是贝叶斯决策理论的一部分，所以讲述朴素负叶斯之前有必要快速了解一下贝叶斯决策理论。 假设现在我们有一个数据集，它由两类数据组成，数据分布如图1所示。图1 两个参数已知的概率分布，参数决定了分布的形状。假设有位读者找到了描述图

第3关：手写数字识别任务描述相关知识数据简介RandomForestClassifier编程要求测试说明任务描述本关任务：使用 sklearn 中的 RandomForestClassifier 类完成手写数字识别任务。请不要修改Begin-End段之外的代码。相关知识为了完成本关任务，你需要掌握如何使用 sklearn 提供的 RandomForestClassifier 类。数据简介本关使用的

第2关：随机森林算法流程任务描述本关任务：补充 python 代码，完成 RandomForestClassifier 类中的 fit 和 predict 函数。请不要修改 Begin-End 段之外的代码。相关知识为了完成本关任务，你需要掌握随机森林的训练与预测流程随机森林的训练流程随机森林是 Bagging 的一种扩展变体，随机森林的训练过程相对与 Bagging 的训练过程的改变有：基学习器

第1关：Bagging任务描述相关知识什么是BaggingBagging方法如何训练与预测训练预测编程要求测试说明任务描述本关任务：补充 python 代码，完成 BaggingClassifier 类中的 fit 和 predict 函数。请不要修改 Begin-End 段之外的代码。相关知识为了完成本关任务，你需要掌握：什么是 Bagging；Bagging 算法如何训练与预测。什么是Bagg