基于逻辑回归方法完成垃圾邮件过滤任务.zip

研究生期间，机器学习的上课老师自己做的课件，是基于斯坦福Andrew老师的课程的讲解，非常值得学习。

本数据对应文章：《机器学习进行数据分类模型的预测》

使用机器学习工具预测股价的定向运动已经吸引了大量研究。 定向预测模型中两个最常见的输入特征是股票价格和回报。 前者和后者变量之间的选择通常是主观的。 在本研究中，我们比较了股票价格和回报作为方向预测模型中输入特征的有效性。 我们使用十家美国大盘股公司的 10 年历史数据对两个输入特征进行了广泛的比较。 我们采用四种流行的分类算法作为我们研究中使用的预测模型的基础。 结果表明，股票价格是比回报更有效的独立输入特征。 当我们向输入特征集添加技术指标时，股票价格和回报的有效性相等。 我们得出结论，在预测价格变动方向时，价格通常是比返回值更有效的输入特征。 我们的结果应该有助于对将机器学习模型应用于股票价格预测感兴趣的研究人员和从业者。

机器学习是量化金融中一个越来越重要和有争议的话题。 关于机器学习技术是否可以成为实用的投资工具，一直存在激烈的争论。 尽管机器学习算法可以发现微妙的、上下文的和非线性的关系，但在尝试从嘈杂的历史数据中提取信号时，过度拟合会带来重大挑战。 在本文中，我们描述了一些围绕机器学习的基本概念，并提供了一个简单的例子，说明投资者如何使用机器学习技术来预测股票收益的横截面，同时限制过度拟合的风险。

内容摘要： 在该资源文件夹当中包括了数据预处理和特征工程后的数据（数据来源于第五届泰迪杯技能赛，数据经过作者预处理和特征工程），以及一步导出随机森林训练结果的模型评估函数，模型的特征重要性图像、模型评估的混淆矩阵。同时资源中还有数据不平衡得处理操作，实现方式为下采样。在资源当中还实现了，利用遗传算法（GA）对随机森林进行n_estimators、max_depth、min_samples_split、min_samples_leaf、max_features的参数优化。 资源结构： -BinaryClassification(GA) --data：数据 --image：导出图片 --model：模型参数 --Binary_RF(GA).py：遗传算法优化 --BinaryRF.py：常规随机森林分类 适合人群： 该资源适合用来竞赛和写论文，可以快速导出结果，大大节省时间。 使用建议： 二分类数据预处理和特征工程处理好后，导入数据分配好特征和标签，然后运行就可以导出模型的训练权重和模型的特征重要性图像、模型评估的混淆矩阵图像。遗传算法调参属于进阶内容，不懂得可以私信作者。

分类算法（决策树、支持向量机）建立决策函数，然后判断如下数据的类别。 （青年，是，否，非常好）请按列表写结果并附加程序和运行结果。

练习使用 Python 语言，请对“西瓜数据集2.0"中的数据进行分析，使用朴素贝叶斯方法学习西瓜数据后验条件概率分布，并对如下瓜的类型做出判断（乌黑，蜷缩，浊响，稍糊，平坦，硬滑）将 Python 运行结论截图上传到本题

石家庄20160701-20170701.csv

机器学习公式推导以及解析