1️⃣了解什么是机器学习2️⃣了解机器学习sklearn库的简介、安装3️⃣掌握使用sklearn转换器处理数据的方法4️⃣构建并评价线性回归模型认识机器学习🔥1.1机器学习👑机器学习是人工智能(AI)和计算机科学的分支，专注于使用数据和算法来模仿人类学习的方式，逐渐提高其准确性。机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，，并将现有内容进行知识结构划分来有效提高学习效率。📌机器学习是人工智能及模式识别领域的共同研究热点，其理论和方法已被广泛应用与解决工程应用和科学领域的复杂问题。搜索引擎、五人驾驶
PCA故障诊断中两个关键统计变量T2T^2T2和SPESPESPE的的计算T2T^2T2：Hotelling-T2SPESPESPE：平方预测误差(Squaredpredictionerror)T2T^2T2统计量反映了每个主成分在变化趋势和幅值上偏离模型的程度，是对模型内部化的一种度量，它可以用来对多个主元同时进行监测；SPESPESPE统计量刻画了输入变量的测量值对主元模型的偏离程度，是对模型外部变化的一种度量。T2T^2T2在线计算以及控制限的计算SPESPESPE在线计算以及控制限的计算T2T^2T2和SPESPESPE使用情况总结T2T^2T2统计量反应的是主元空间的变化，因此不能检
目录1.朴素贝叶斯原理1.1.特性1.2.思路2.公式推导3.简单实例3.1.数据集脱单数据集2.0脱单数据集1.0西瓜数据集3.2.python实现3.3.sklearn实现3.4.实验结果4.几个注意点(面试问题)5.运行（可直接食用）1.朴素贝叶斯原理1.1.特性朴素贝叶斯是一种有监督学习算法，这种算法基于贝叶斯的一个朴素的假设——每对特征和样本数据都是独立同分布的。最终可以推出朴素贝叶斯分类器的判定准则：hnb(x)=arg maxc∈Υ P(c)∏i=1dP(xi ∣ c)h_{nb}(x)=\mathop{arg\max}\limits_{c\in\varUpsilon}\P(c)
第1关 使用sklearn中的kNN算法进行分类fromsklearn.neighborsimportKNeighborsClassifierdefclassification(train_feature,train_label,test_feature):'''使用KNeighborsClassifier对test_feature进行分类:paramtrain_feature:训练集数据:paramtrain_label:训练集标签:paramtest_feature:测试集数据:return:测试集预测结果'''#*********Begin*********#clf=KNeighbors
目录一.名为“回归”的分类器二.逻辑回归的优点三.sklearn中的逻辑回归四.linear_model.LogisticRegression五.penalty&C(正则化)六.逻辑回归中的特征工程1.业务选择2.PCA和SVD一般不用3.统计方法可以使用，但不是非常必要 4.高效的嵌入法embedded1)调节SelectFromModel这个类中的参数threshold2)调逻辑回归的类LR_，通过画C的学习曲线来实现3)比较麻烦的系数累加法4)简单快速的包装法七.梯度下降：重要参数max_iter八. 二元回归与多元回归：重要参数solver&multi_class九.样本不平衡与参数c
Python实现：高斯滤波均值滤波中值滤波Canny(边缘检测）PCA主成分分析直方图规定化Mean_Shift（文末附上整合这些函数的可视化界面并且已做打包处理）1.高斯滤波（以下函数所有的图片路径为方便前来copy的同学，修改这里全设置为绝对路径，卷积核大小和其他参数按照自己需求改）importcv2importnumpyasnpimportmathSIZE=3#卷积核大小（只能为奇数）padding=SIZE//2sigma=3#生成高斯卷积核（定卷积核中心坐标为（0，0））GaussKernel=np.zeros((SIZE,SIZE))foriinrange(SIZE):forjin
1.相关背景在许多领域的研究与应用中，通常需要对含有多个变量的数据进行观测，收集大量数据后进行分析寻找规律。多变量大数据集无疑会为研究和应用提供丰富的信息，但是也在一定程度上增加了数据采集的工作量。更重要的是在很多情形下，许多变量之间可能存在相关性，从而增加了问题分析的复杂性。如果分别对每个指标进行分析，分析往往是孤立的，不能完全利用数据中的信息，因此盲目减少指标会损失很多有用的信息，从而产生错误的结论。因此需要找到一种合理的方法，在减少需要分析的指标同时，尽量减少原指标包含信息的损失，以达到对所收集数据进行全面分析的目的。由于各变量之间存在一定的相关关系，因此可以考虑将关系紧密的变量变成尽可
PCA定义：该定义来自于秒懂百科： PCA（principalcomponentsanalysis）即主成分分析技术，又称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。 在统计学中，主成分分析PCA是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用于减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方
目录一、样本及样本的划分1.1样本划分1.2划分样本的方法二、导入或创建数据集2.1导入sklearn自带的样本数据集2.2利用sklearn生成随机的数据集2.3读入自己创建的数据集三、数据预处理3.1数据标准化3.2sklearn中的数据标准化函数3.3正则化函数Normalizer()四、数据的降维一、样本及样本的划分1.1样本划分从数据中学习并得到模型的过程称为“学习”或“训练”，这个过程通过执行某个学习算法来完成。因为机器学习需要从样本中进行学习，所以机器学习中也有样本的概念，与统计学相比，根据样本在学习中所起的作用，机器学习中的样本经常划分为如下3类：训练集：用于模型拟合的数据样本
基于sklearn自带数据集波士顿房价数据集进行多元线性回归算法代码实现，其数据集包括13个特征向量，共计506个样本集。本文代码实现步骤如下：1.获取数据集2.数据集切分，老规矩，80%训练，20%测试3.数据预处理（本用例尝试过归一化处理，但发现效果不好，不是每一个算法和模型都适用于归一化处理）4.建模并训练5.使用并评估具体代码如下：#-*-coding:UTF-8-*-importnumpyasnpfromsklearnimportdatasetsfromsklearn.linear_modelimportLinearRegressionfromsklearn.model_select
