标准化，即对每个特征单独执行“减去该列均值再除以该列标准差”的运算，使得每个特征变换为均值为0、方差为1的标准正态分布数据，并将标准化后的四列特征组装成一个新的DataFrame对象data。方法计算出模型在训练集上的自测准确率，以此验证模型对已知数据的拟合记忆程度；设置为7的KNN分类器对象（选择奇数主要是为了在二分类情形下避免平票，虽然鸢尾花为三分类问题，但此处延续了奇数邻近值的习惯用法），并

今天学习了机器学习的相关基础知识，其中重点学习了KNN算法，KNN说白了，就是提取与目标最近的K个邻居，其中哪种邻居占数较多，那么目标就属于那个种类。

本文介绍了线性回归的基本概念及其在血压预测中的应用。通过最小二乘法计算权重，利用R²评估特征解释目标变量的能力。实践部分演示了如何使用Python处理GBK编码的CSV文件（包含体重、年龄和血压数据），构建线性回归模型，并计算模型拟合优度R²。重点解决了中文编码问题和Windows环境下的文件读取注意事项，最终输出体重和年龄对血压波动的解释程度。

摘要：逻辑回归通过线性组合和Sigmoid函数将特征值转换为概率（0-1），以0.5为阈值进行分类。实践案例中，对信贷数据预处理（标准化金额特征、剔除时间列），处理样本不均衡问题后，按7:3划分训练测试集。使用正则化强度C=0.01的逻辑回归模型训练，测试集准确率达99.91%。核心步骤包括特征工程、数据拆分、模型训练与评估。

代码为MultinomialNB(alpha=1).fit(X_train, y_train)，作用为让模型“吃透”训练数据，计算出朴素贝叶斯公式所需的所有关键概率参数，生成一个训练好的分类器对象。代码为train_test_split(test_size=0.2, random_state=100)，作用为80%训练，20%测试，固定随机种子保证可复现。代码为classifier.score(X

本文介绍了K-means聚类算法的原理与应用。K-means通过迭代优化将数据划分为K个簇，以最小化簇内误差平方和。实践案例演示了啤酒数据的聚类流程：数据预处理后标准化特征，使用肘部法则确定最佳K值（K=3），最终实现基于多维特征的自动分组。该案例展示了K-means如何通过质心反映不同簇的特征差异，为无监督学习提供了实用示例。

无监督学习就是“没有标准答案的自主探索”。训练数据里只有“问题”（特征X），没有任何标签（Y）。机器根本不知道这些数据是什么，只能自己去发现数据内部隐藏的结构和规律。无监督学习的典型任务：聚类。聚类，就是在没有任何标准答案（没有标签）的情况下，让机器根据数据之间的“相似度”，自动把相似的东西归成一个个“小团体”（即簇）。二、7大算法的归类看离你最近的K个邻居是啥样，分类时投票，回归时取平均。有监督

OpenCV是一个开源跨平台的计算机视觉库，提供2500+优化算法，支持C++/Python/Java等多种语言接口。其模块化设计包含核心功能、图像处理、视频分析、3D重建等，广泛应用于安防监控、自动驾驶、医疗影像、工业质检等领域。凭借高效性能、多平台支持和商业友好许可，OpenCV成为计算机视觉研究和应用的基础工具，从入门到复杂AI系统开发都不可或缺。

标准化，即对每个特征单独执行“减去该列均值再除以该列标准差”的运算，使得每个特征变换为均值为0、方差为1的标准正态分布数据，并将标准化后的四列特征组装成一个新的DataFrame对象data。方法计算出模型在训练集上的自测准确率，以此验证模型对已知数据的拟合记忆程度；设置为7的KNN分类器对象（选择奇数主要是为了在二分类情形下避免平票，虽然鸢尾花为三分类问题，但此处延续了奇数邻近值的习惯用法），并

今天学习了机器学习的相关基础知识，其中重点学习了KNN算法，KNN说白了，就是提取与目标最近的K个邻居，其中哪种邻居占数较多，那么目标就属于那个种类。