本文中将针对树模型的参数进行优化 数据预处理 前面已经做过好几次数据预处理了，这里直接上代码 得到数据 # 导入工具包 import pandas as pd import numpy as np from sklearn.model_selection import train_test_split # 读取数据 features = pd.read_csv('data/temps_extended.csv') # 独热编码处理数据 features = pd.get_dummies(features) # 标签和特征划分 labels = features['actual'] featur

个人黑马机器学习入门笔记

数据集介绍 总共包含150行数据 每一行数据由 4 个特征值及一个目标值组成。 4 个特征值分别为：萼片长度、萼片宽度、花瓣长度、花瓣宽度 目标值为三种不同类别的鸢尾花，分别为： Iris Setosa、Iris Versicolour、Iris Virginica 数据集中每朵鸢尾花叫做一个数据点，它的品种叫做它的标签 数据集样式: 导入需要的模块包 import numpy as np from matplotlib import colors from sklearn import svm from sklearn import model_selection import mat

多元逻辑斯蒂回归matlab代码机器学习课程 挑战 了解机器学习的基础。 动作 研究了以下概念： 线性回归：训练集，特征，目标变量，假设，学习算法，参数，成本函数，优化问题，梯度下降，学习率，批次梯度下降 多元线性回归：特征缩放，均值归一化，选择学习率，正态方程 逻辑回归：分类，逻辑函数，S形函数，决策边界，非线性决策边界，成本函数，优化算法，多类分类，一对多 正则化：过度拟合，正则化参数，正则线性回归，正则逻辑回归 神经网络：计算机视觉，S型激活函数，层，偏差，正向传播，非线性分类，反向传播算法，随机初始化 模型选择：训练/验证/测试集，诊断偏差和方差，交叉验证错误，正则化，学习曲线，高偏差，高方差，误差分析，精度，召回率，F1得分 支持向量机：SVM假设，大余量分类器，核，相似度，高斯核，线性核，多项式核， 无监督学习：聚类，K-均值 主成分分析：降维，数据压缩，数据可视化，协方差矩阵sigma，sigma的特征向量，压缩表示的重构，pf主成分数，学习加速 k-均值聚类：聚类索引，聚类质心，随机初始化，肘法 异常检测：密度估计，正态与异常，欺诈检测，制造，监控工作参数，高斯分布，特

为什么要做降维： 提高计算效率 留存有用的特征，为后续建模使用 在项目中实际拿到的数据，可能会有几百个维度（特征）的数据集，这样的数据集在建模使用时，非常消耗计算资源，所以需要通过使用降维方法来优化数据集 线性判别分析（Linear Discriminant Analysis） 用途：数据预处理中的降维，分类任务（有监督问题） 目标：LDA关心的是能够最大化类间区分度的坐标轴成分 将特征空间（数据集中的多维样本）投影到一个维度更小的 k 维子空间中，同时保持区分类别的信息 原理：投影到维度更低的空间中，使得投影后的点，会形成按类别区分，一簇一簇的情况，相同类别的点，将会在投影后的空间中更接近

机器学习入门与算法总览

人工智能

《机器学习入门——MATLAB实战与应用》一书中的实例程序。涉及监督学习，非监督学习和强化学习。(code for book "Machine Learning Introduction & Action in MATLAB")

《机器学习入门——MATLAB实战与应用》一书中的实例程序。涉及监督学习，非监督学习和强化学习。(code for book "Machine Learning Introduction & Action in MATLAB")

菊安酱--机器学习全套学习资料，欢迎自取！