【机器学习实战】对加州住房价格数据集进行回归预测（线性回归、决策树）

1. 数据集特征值目标值共569个样本，30维特征。2.代码实现2.1 未调参时的代码及结果# 获取数据集data = load_breast_cancer()# 建模rfc = RandomForestClassifier(n_estimators=100, random_state=90) # 交叉验证rfc_score = cross_val_score(rfc, data.data, da

1. 数据集数据下载地址：https://archive.ics.uci.edu/ml/machine-learning-databases/数据描述（1）699条样本，共11列数据，第一列用语检索的id，后9列分别是与肿瘤相关的医学特征，最后一列表示肿瘤类型的数值。（2）包含16个缺失值，用”?”标出。2.分析——实现步骤获取数据（读取的时候加上names）数据处理（缺失值）数据集划分特征工程（

4.2 数据标准化后

共有30个特征。代码；发现结果一直停在线性函数不动，因为poly作为核函数，要花费很长时间。将poly核函数去掉，结果：如果数据是线性的，那如果我们把degree参数调整为1，多项式核函数应该也可以得到不错的结果：就从框出来的那个地方看，就能看出来数据量钢化差别太大，所以要进行数据标准化。对数据进行标准化以后，再查看数据的分布：结果：可以见到，在rbf作为核函数的结果中精确度已经提高了，跟line

查看X和Y找索引为36000的实例，并将其还原成数字（书中是还原成了5，但是我这么获取数据集还原的数字是9，不知道什么原因）其他评估指标（AUC值、精度、召回率）如下：

1.鸢尾花数据集特征目标值2. PCA降维实现将4维特征降维到2维，并对三类目标值对应的x1、x2进行可视化。# 获取数据集iris = load_iris()x = iris.datay = iris.target# 进行PCA降维,建模pca = PCA(n_components=2) # 实例化pca.fit(x) # 拟合模型x_dr = pca.transform(x)# 将三种鸢尾花的

预测器：2.2 书中使用中位数替换这部分的代码可以看原作者发布的jupyter book的源码：02_end_to_end_machine_learning_project.ipynb我对我的数据也将原作者的代码复制过来跑了一下，结果如下：fit_transform() takes 2 positional arguments but 3 were given with LabelBinarize

【代码】【机器学习实战】基于代价敏感学习的AdaCost方法用于信用卡欺诈检测。

1. 数据集 —— 波士顿房价给定的这些特征，是专家们得出的影响房价的结果属性。我们此阶段不需要自己去探究特征是否有用，只需要使用这些特征。到后面量化很多特征需要我们自己去寻找2. 实现2.1 代码from sklearn.datasets import load_bostonfrom sklearn.model_selection import train_test_splitfrom skle