Python+Tensorflow机器学习实战-配套课件和源文件

机器学习实战 - k近邻算法（KNN算法）总结 适合机器学习实战入门新手 K-近邻算法，又称为 KNN 算法，是数据挖掘技术中原理最简单的算法。 KNN 的工作原理：给定一个已知类别标签的数据训练集，输入没有标签的新数据后，在训练数据集中找到与新数据最临近的 K 个实例。如果这 K 个实例的多数属于某个类别，那么新数据就属于这个类别。 优点 1简单好用，容易理解，精度高，理论成熟，即可以用来做分类也可以用来做回归 2可用于数值型数据和离散型数据 3无数据输入假定 4适合对稀有事件进行分类 缺点 1计算复杂性高；空间复杂性高 2计算量太大，所以一般数值很大的时候不用这个，但是单个样本又不能太少，否则容易发生误分 3样本不平衡问题（即某些类别的样本数量很多，某些类别的样本数量很少） 4可理解性比较差，无法给出数据的内在含义

机器学习实战项目——市场营销活动预测.zip

机器学习实战项目——无监督聚类&PCA tSNE降维.zip

1.机器学习实战项目——分类&回归.zip 2.波斯顿房价问题等

机器学习实战项目——决策树&随机森林&时间序列预测股价.zip

本次资源包括pca的python代码，以及测试数据集。 降维是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。通过降维可以减少 冗余信息所造成的误差,提高识别的精度，或者通过降维算法来寻找数据内部的本质结构特征。

学习时的笔记及相关代码，笔记可见：https://blog.csdn.net/Morganfs/article/details/123926929?spm=1001.2014.3001.5501 学习来源：Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O’Reilly). Copyright 2019 Aurélien Géron, 978-1-492-03264-9.

模式识别和机器学习实战- 集成学习- Python实现 - AdaBoost算法 适用于刚刚开始学习机器学习的小伙伴进行的上机实践，本次压缩包的内容是集成学习的AdaBoost算法的代码以及数据集。

机器学习实战(第七章-利用AdaBoost元算法提高分类性能-所有代码与详细注解-python3.7) 机器学习实战(第七章-利用AdaBoost元算法提高分类性能-所有代码与详细注解-python3.7)