2402_87073867的博客

视频链接：https://www.bilibili.com/video/BV1yqz5YHEne/?

from sklearn.decomposition import TruncatedSVD #执行截断奇异值分解。from sklearn.datasets import load_breast_cancer #加载数据集。ax.set_xlabel('第一成分') # 设置x轴标签。ax.set_ylabel('第二成分') # 设置y轴标签。ax.set_zlabel("第三成分") #设置z轴标签。# 创建截断奇异值分解对象，设置保留的主成分数量为2。X = load.data # 提取特征数据。

线性回归是一种预测数值型数据的监督学习算法。它假设目标变量（因变量）与一个或多个自变量之间存在线性关系。线性回归模型通过寻找最佳拟合线（在多维空间中为超平面），来预测目标变量的值。

假设我们想要预测图片中的数字是几，这就是一个典型的分类问题。在数据集中，每个图片都被标注了对应的数字（0-9），模型通过学习这些图片及其标签，能够学会从新的图片中预测出数字。非监督学习（Unsupervised Learning）在机器学习领域有着广泛的应用场景，这些场景通常涉及到对未标记数据的学习和探索。监督学习广泛应用于各种预测和分类问题中，如预测股票价格、判断图片中的物体类型、推荐系统等。回归问题是一种预测数值型数据的监督学习方法。分类问题是监督学习中的另一大类问题，其目标是预测数据的类别标签。

由于我们的目标是让模型在未知数据上表现良好，因此泛化误差是衡量模型泛化能力的重要标准。过拟合是指模型在训练集上表现很好，但在测试集上表现不佳的现象。欠拟合则是指模型未能充分学习数据的特征，导致在训练集和测试集上的表现都不佳。目的：数据集划分的主要目的是将原始数据集分割成不同的部分，以便用于训练、验证和测试模型。：用于调整模型的超参数，确保模型在未知数据上表现最佳。：用于最终评估模型的效果，提供模型性能的最终指标，最终评估模型的泛化能力，如准确率、精确率、召回率和F1分数等。

我们在假设一个模型来拟合数据集时，需要找到最合适的模型，不断地扩大数据集、增加提取特征是见效甚微的方法，比较好的是对数据集进行合理的划分，将整个数据集划分为三个部分：训练集、交叉检验集和测试集。应用非常广泛，以下是一些常见的应用场景：1、用户行为分析：通过对用户行为数据的统计分析，我们可以了解用户的喜好和习惯，从而优化产品设计，提升用户体验。我们通常通过对样本的研究，来推断总体的性质。4、有监督的机器学习中，我们可以概述为通过很多有标记的数据，训练出一个模型，然后利用这个，对输入的X进行预测输出的Y。

聚类应用领域广泛，可以用于发现不同的企业客户群体特征、消费者行为分析、市场细分、交易数据分析、动植物种群分类、医疗领域的疾病诊断、环境质量检测等，还可用于互联网和电商领城的客户分析、行为特征分类等。在聚类的过程中，首先选择有效特征构成向量，然后按照欧氏距离或其他距离函数进行相似度计算，并划分聚类，通过对聚类结果进行评估，逐渐选代生成新的聚类。聚类方法可分为基于层次的聚类、基于划分的聚类、基于密度的聚类、基于约束的聚类、基于网络的聚类等。4、回归分析：线性回归、逻辑回归、多项式回归、岭回归、LASSO回归。