资源中包含逻辑回归算法的Python代码和测试数据，python的版本为3.6，您运行代码前，将测试文件路径修改为您本地的存储路径，使用pycharm平台运行即可。

熊猫快车 ###成为功夫熊猫大师的快速指南在击败邪恶的雪豹大龙之后，我们最喜欢的功夫熊猫大师Po返回和平谷，帮助父亲Ping先生和他的面馆。 平先生的面馆状况一直不太好，因此蒲先生决心帮助他的父亲弄清楚他可以做些什么来改善自己的餐厅。 幸运的是，Po受到了少林武术的崇敬和古老的Python风格的培训，并将像Ye功夫熊猫的真正主人一样，分析Yelp的数据集来保存他父亲的餐厅。 这是一个Python教程，用于使用Pandas和其他Python机器学习工具清理和分析Yelp Data Challenge数据集 数据集 我们将使用提供的Yelp评论。 下载内容包含JSON格式的以下文件： business.json-有关企业的信息 review.json-评论的文本和元数据 tip.json-提示的文本和元数据 user.json-用户信息 checkin.json-每个企业的签到数量 ###

主要介绍了Python机器学习k-近邻算法(K Nearest Neighbor),结合实例形式分析了k-近邻算法的原理、操作步骤、相关实现与使用技巧,需要的朋友可以参考下

本文为大家分享了Python机器学习之K-Means聚类的实现代码，供大家参考，具体内容如下 1.K-Means聚类原理 K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。其基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 算法大致流程为：（1）随机选取k个点作为种子点(这k个点不一定属于数据集)；（2）分别计算每个数据点到k个种子点的距离，离哪个种子点最近，就属于哪类；（3）重新计算k个种子

Machine_Learning-Housing_grade_prediction_using_python 机器学习被广泛用于建立数据分析的预测模型。 数据集包含一个训练文件，我们使用该训练文件来训练算法以对测试文件进行预测。 该文件包含大约2500多个缺失值。 我们使用KNN插补来自动填充缺失的位置，以进行更好的预测。 用于对训练和测试数据集进行预测的模型是SVM。 使用线性核获得的模型的准确性约为88.6％，比rbf的准确性高23％。

主要为大家详细介绍了Python机器学习之K-Means聚类的实现，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

主要介绍了Python机器学习之决策树算法,较为详细的分析了实例详解机器学习中决策树算法的概念、原理及相关Python实现技巧,需要的朋友可以参考下

这是我读《python机器学习及实践-从零开始通往kaggle竞赛之路》时自己写的代码，包括了3.2节之前的所有代码，详见https://www.xxy.ink/learn/ml/1.html，相对于书中代码略有改动，比如分类加入了混淆矩阵、修改了书中报错的部分等，保证都是可以运行的

结论：通过比较，逻辑斯蒂模型比随机梯度下降模型在测试集上表现有更高的准确性，因为逻辑斯蒂采用解析的方式精确计算模型参数，而随机梯度下降采用估计值 　　特点分析：逻辑斯蒂对参数的计算采用精确解析的方法，计算时间长但是模型性能高，随机梯度下降采用随机梯度上升算法估计模型参数，计算时间短但产出的模型性能略低，一般而言，对于训练数据规模在10万量级以上的数据，考虑到时间的耗用，推荐使用随机梯度算法

生成双月数据集，以及使用单层感知器、最小二乘、最大后验、最大似然、随机梯度下降算法对双月数据进行回归和分类。