无监督学习算法，主要用于将相似的样本自动归到一个类别中；计算样本和样本之间的相似性，一般使用欧式距离误差平方和SSE (The sum of squares due to error)SSE 越小，表示数据点越接近它们的中心，聚类效果越好# @FileName : 03-顾客数据分析.pyimport os​os.environ["OMP_NUM_THREADS"] = '1'# 解决内存泄露警告

多个弱学习器组合成一个更强大的学习器，解决单一预测，进步一得到更好性能。# 导包​from sklearn.ensemble import RandomForestClassifier# 随即森丽分类​​# 定义随机森立函数# 数据读取# 数据基本处理# 确定特征和标签# print(x)# print(y)# 空值处理(填充)print(x)​# 处理字符类型 数据​# 数据划分x, y,str

决策树是一种树形结构，树中每个内部节点表示一个特征上的判断，每个分支代表一个判断结果的输出，每个叶子节点代表一种分类结果, 根节点尤为重要.熵在信息论中代表随机变量不确定度的度量。熵越大，数据的不确定性度越高, 稳定性越低熵越小，数据的不确定性越低, 稳定性越高CART决策树(Classification and Regression Tree)Cart模型是一种决策树模型，它即可以用于分类，也可

设模型中含有待估参数w，可以取很多值。已经知道了样本观测值，从w的一切可能值中（选出一个使该观察值出现的概率为最大的值，作为w参数的估计值，这就是极大似然估计。（顾名思义：就是看上去那个是最大可能的意思）# 导包​# 1. 加载数据# 查看数据基本信息​# 2. 数据处理# 2.1 用np.NaN替换?', np.NaN)# 2.2 删除缺失值, 按行删除data.dropna(inplace=T

将一段文本使用张量进行表示，其中一般将词汇表示成向量，称作词向量，再由各个词向量按顺序组成矩阵形成文本表示.["人生", "该", "如何", "起头"] 一个词就是一个tocken==># 每个词对应矩阵中的一个向量, 整个张量表示为词表[[1.32, 4,32, 0,32, 5.2],# 一行就是一个词向量word2vec是一种流行的将词汇表示成向量的无监督训练方法, 该过程将构建神经网络模型

人工神经网络是一种模仿生物神经网络结构和功能的计算模型, 由神经元构成将神经元串联起来 -> 神经网络输入层: 数据输出层: 目标(加权和)隐藏层: 加权和 + 激活。

1、下列关于SVM的描述错误的是？（单选题）A）它的全称为支撑向量机（SupportedVector Machine）B）它的主要任务是找到一个超平面将不同的样本划分开来C）硬间隔和软间隔都是SVM分割超平面中的一种D）SVM模型可以通过调小C参数的取值，来减少间隔违例答案解析： C值越小，间隔违例越多答案：D。

init方法中定义网络中的层结构，主要是全连接层，并进行初始化,定义层forward方法，在实例化模型的时候，底层会自动调用该函数。该函数中可以定义学习率，为初始化定义的layer传入数据等。将各层连接定义继承自nn.Module的模型类在init方法中定义网络中的层结构在forward方法中定义数据传输方式前向传播：指的是数据输入的神经网络中，逐层向前传输，一直到运算到输出层为止。反向传播（利用

导包​​# 1. 准备数据# 训练集数据​# 2. 创建 线性回归 模型对象​# 3. 模型训练​# 4. 模型评估(暂时略过)​# 5. 模型预测# 查看模型参数, 即: 斜率(权重) 和 截距(偏置)print(f'斜率k(w): {estimator.coef_}')# [0.92942177]print(f'截距b: {estimator.intercept_}')# -93.273469

init方法中定义网络中的层结构，主要是全连接层，并进行初始化,定义层forward方法，在实例化模型的时候，底层会自动调用该函数。该函数中可以定义学习率，为初始化定义的layer传入数据等。将各层连接定义继承自nn.Module的模型类在init方法中定义网络中的层结构在forward方法中定义数据传输方式前向传播：指的是数据输入的神经网络中，逐层向前传输，一直到运算到输出层为止。反向传播（利用