文章目录一、KNN1、K值的判断与选取2、缺失值差填补3、KNN填充和模型评估4、RESSION一、KNNKNN最邻近分类算法的实现原理：为了判断未知样本的类别，以所有已知类别的样本作为参照，计算未知样本与所有已知样本的距离，从中选取与未知样本距离最近的K个已知样本，根据少数服从多数的投票法则（majority-voting），将未知样本与K个最邻近样本中所属类别占比较多的归为一类。KNN属于懒惰

一、关联规则含义事务仅包含其涉及到的项目，而不包含项目的具体信息。（只要购买某种商品，则这种商品的标签就为1，否则为0，不管买了多少件产品）X==>Y含义：- X和Y是项集- X称为规则前项- Y称为规则后项

文章目录一、降维究竟是怎样实现的二维特征矩阵降维的一般过程PCA降维与特征选择的不同：重要参数n_components迷你案例：高维数据的可视化6、探索降维后的数据最大似然估计自选超参数按信息量占比选超参数1、一、降维究竟是怎样实现的【1】降维：减少特征，删除数据，模型受影响【2】噪音：【3】PCA使用样本方差二维特征矩阵降维的一般过程过程二维特征矩阵n维特征矩阵1输入原数据，结构为（2,3）23

安装完AccessDatabaseEngine_X64 (2016).exe后，准备在从Excel导入数据时：输入如下代码SELECT * FROM OPENROWSET('Microsoft.ACE.OLEDB.12.0','Excel 12.0;Database=D:\S072003228DBS\食品销售数据\类别.XLSX',[类别$]);报错一：SQLServer阻止了对组件’AdHocD

本篇博客参考链接：1、iris-经典案例解析-机器学习我们要解决的问题如下：已知鸢尾花iris分为三个不同的类型：山鸢尾花Setosa、变色鸢尾花Versicolor、韦尔吉尼娅鸢尾花Virginica，这个分类主要是依据鸢尾花的花萼长度、宽度和花瓣的长度、宽度四个指标（也可能还有其他参考）。我们并不知道具体的分类标准，但是植物学家已经为150朵不同的鸢尾花进行了分类鉴定，我们也可以对每一朵鸢尾花

文章目录一、归一化处理import numpy as npimport pandas as pdfrom scipy.cluster.vq import *import matplotlib.pyplot as pltfrom sklearn.manifold import TSNEfrom scipy.spatial.distance import cdistfrom matplotlib.ti

注：本篇文章参考：b站：机器学习经典算法——回归算法文章目录一、机器学习简介二、回归算法三、支持向量机要解决的问题四、支持向量机求解目标五、核函数变换一、机器学习简介机器学习应用的领域非常广泛：数据挖掘：分析用户信息，提高用户对产品的依赖性。计算机视觉：无人驾驶汽车–实时进行检测任务机器学习的步骤：1、训练样本2、特征提取（数据科学家：知道一份数据如何是机器能更好的识别特征）3、学习函数4、预测N

一、关联规则含义事务仅包含其涉及到的项目，而不包含项目的具体信息。（只要购买某种商品，则这种商品的标签就为1，否则为0，不管买了多少件产品）X==>Y含义：- X和Y是项集- X称为规则前项- Y称为规则后项

文章目录一、降维究竟是怎样实现的二维特征矩阵降维的一般过程PCA降维与特征选择的不同：重要参数n_components迷你案例：高维数据的可视化6、探索降维后的数据最大似然估计自选超参数按信息量占比选超参数1、一、降维究竟是怎样实现的【1】降维：减少特征，删除数据，模型受影响【2】噪音：【3】PCA使用样本方差二维特征矩阵降维的一般过程过程二维特征矩阵n维特征矩阵1输入原数据，结构为（2,3）23

导入NBA数据，我放在我的gitee里面，需要的朋友点击文章最上面的链接自取。NBA数据的属性如下：共27个特征，718条数据。这27个特征中有一些特征不重要，因此我们只选取一些较为重要的参数。根据这些参数进行分析，然后预测一些球队得冠军的概率有多高。定义我们需要的特征：有六条数据中三分球的得分为0，这可能会对最终的数据造成影响。由于含有694个空值，因此我们需要将空值变成0在对数据有了大概的处理