文章目录5.3 Boosting学习目标1.boosting集成原理1.1 什么是boosting1.2 实现过程：1.训练第一个学习器2.调整数据分布3.训练第二个学习器4.再次调整数据分布5.依次训练学习器，调整数据分布**6.整体过程实现**1.3 api介绍2 GBDT(了解)2.1 梯度的概念(复习)2.2 GBDT执行流程2.3 案例2.4 GBDT主要执行思想3.XGBoost【了解

文章目录3.5 ROC曲线的绘制学习目标1 曲线绘制1.1 如果概率的序列是（1:0.9,2:0.7,3:0.8,4:0.6,5:0.5,6:0.4）。1.2 如果概率的序列是（1:0.9,2:0.8,3:0.7,4:0.6,5:0.5,6:0.4）1.3 如果概率的序列是（1:0.4,2:0.6,3:0.5,4:0.7,5:0.8,6:0.9）2 意义解释3 小结3.5 ROC曲线的绘制学习目标

文章目录线性回归学习目标2.1 线性回归简介学习目标1 线性回归应用场景2 什么是线性回归2.1 定义与公式2.2 线性回归的特征与目标的关系分析3 小结线性回归学习目标掌握线性回归的实现过程应用LinearRegression或SGDRegressor实现回归预测知道回归算法的评估标准及其公式知道过拟合与欠拟合的原因以及解决方法知道岭回归的原理及与线性回归的不同之处应用Ridge实现回归预测应用

文章目录6.3 聚类算法实现流程学习目标1 k-means聚类步骤2 案例练习3 小结6.3 聚类算法实现流程学习目标掌握K-means聚类的实现步骤k-means其实包含两层内容：​ K : 初始中心点个数（计划聚类数）​ means：求中心点到其他数据点距离的平均值1 k-means聚类步骤1、随机设置K个特征空间内的点作为初始的聚类中心2、对于其他每个点计算到K个中心的距离，未知的点选择最近

文章目录6.7 案例：探究用户对物品类别的喜好细分学习目标1 需求2 分析3 完整代码2.1 合并表格6.7 案例：探究用户对物品类别的喜好细分学习目标应用pca和K-means实现用户对物品类别的喜好细分划分数据如下：order_products__prior.csv：订单与商品信息字段：order_id, product_id, add_to_cart_order, reorderedprod

1.5机器学习算法分类学习目标了解机器学习常用算法的分类根据数据集组成不同，可以把机器学习算法分为：监督学习其无监督学习半监督学习强化学习1 监督学习定义：输入数据是由输入特征值和目标值所组成。- 函数的输出可以是一个连续的值（称为回归）-或是输出是有限个离散值（称作分类）1.1 回归问题例如：预测房价，根据样本集拟合出一条连续曲线。1.2分类问题例如：根据肿瘤特征判断良性还是恶性，得到的是结果是

文章目录3.4 分类评估方法学习目标1.分类评估方法1.1 精确率与召回率1.1.1 混淆矩阵1.1.2 精确率(Precision)与召回率(Recall)1.2 F1-score1.3 分类评估报告api2 ROC曲线与AUC指标2.1 TPR与FPR2.2 ROC曲线2.3 AUC指标2.4 AUC计算API0.5~1之间，越接近于1约好3 小结3.4 分类评估方法学习目标了解什么是混淆矩阵

1.5机器学习算法分类学习目标了解机器学习常用算法的分类根据数据集组成不同，可以把机器学习算法分为：监督学习其无监督学习半监督学习强化学习1 监督学习定义：输入数据是由输入特征值和目标值所组成。- 函数的输出可以是一个连续的值（称为回归）-或是输出是有限个离散值（称作分类）1.1 回归问题例如：预测房价，根据样本集拟合出一条连续曲线。1.2分类问题例如：根据肿瘤特征判断良性还是恶性，得到的是结果是

文章目录聚类算法学习目标6.1 聚类算法简介学习目标1 认识聚类算法1.1 聚类算法在现实中的应用1.2 聚类算法的概念1.3 聚类算法与分类算法最大的区别2 小结聚类算法学习目标掌握聚类算法实现过程知道K-means算法原理知道聚类算法中的评估模型说明K-means的优缺点了解聚类中的算法优化方式知道特征降维的实现过程应用Kmeans实现聚类任务6.1 聚类算法简介学习目标知道聚类算法的概念了解

文章目录6.7 案例：探究用户对物品类别的喜好细分学习目标1 需求2 分析3 完整代码2.1 合并表格6.7 案例：探究用户对物品类别的喜好细分学习目标应用pca和K-means实现用户对物品类别的喜好细分划分数据如下：order_products__prior.csv：订单与商品信息字段：order_id, product_id, add_to_cart_order, reorderedprod