第3章 分类算法 3（ .1. 数据集介绍与划分 3 3.1.1. 数据集的划分 3 3.1.2. sklearn数据集介绍

第3章 分类算法 3 3.1. 数据集介绍与划分 3 3.1.1. 数据集的划分 3 3.1.2. sklearn数据集介绍 4 3.2. sklearn转换器和估计器 6 3.2.1. 转换器和估计器 6 3.3. K-近邻算法 8 3.3.1. K-近邻算法(KNN) 9 3.3.2. 电影类型分析 9 3.3.3. K-近邻算法API 11 3.3.4. 案例：鸢尾花种类预测 11 3.3.5. K-近邻总结 13 3.4. 模型选择与调优 13 3.4.1. 为什么需要交叉验证 14 3.4.2. 什么是交叉验证(cross validation) 14 3.4.3. 超参数搜索-网格搜索(Grid Search) 14 3.4.4. 鸢尾花案例增加K值调优 15 3.4.5. 案例：预测facebook签到位置 17 3.4.6. 总结 19 3.5. 朴素贝叶斯算法 19 3.5.1. 什么是朴素贝叶斯分类方法 20 3.5.2. 概率基础 21 3.5.3. 条件概率与联合概率 22 3.5.4. 贝叶斯公式 23 3.5.5. API 25 3.5.6. 案例：20类