通过鸢尾花案例，了解了训练模型的基本步骤以及调用KNN的API，对机器学习有了初步认识。

通过手写数字识别，训练了对于数据转换的注意事项，学习了相关API的调用，强化了对于KNN算法的认识。

通过sklearn中的波士顿房价数据，实现对于数据读取、数据处理、模型训练，从而加强对于线性回归的认识。通过波士顿房价预测案例，学习了线性回归相关API的调用，加强了对于线性回归的认识。

通过此案例，实践了L1和L2正则化处理过拟合，并且对比了两种方法的差异，L1对于简单任务种少量的重要特征的情况效果更好，而L2在实践中使用的更多。

数据处理部分：1.将部分数据改成独热编码2.删除多余数据3.更改标签名称强化学习了逻辑回归的调用，以及增加了对于模型训练的其他评估指标，如精确率、召回率、F1值。

对于数据处理：对于缺失数据，进行剔除处理。加强了对于逻辑回归的学习和认识。

1.加载数据集df = pd.read_csv('./data/红酒品质分类.csv')#2.查看数据集df.info()#3.抽取特征数据和标签数据y = df.iloc[:, -1] - 3 #最后一列是标签,默认标签是[3-8],-3后转换为[0,5]#4.查看数据print(f'查看标签数据是否均衡{Counter(y)}')#5.切分训练集和测试集 参5：参考数据集的标签分布#6.将上述

通过本案例，主要学习了对于本文序列问题的处理方法之一 —— jieba分词后向量化，加强了对于朴素贝叶斯的学习。

加强了对于对于聚类算法评价指标的练习。

通过本案例，实际应用了聚类的评价指标，并且成功对用户进行了分类，加强了对于聚类算法的认识。