本文是对北京理工大学《Python机器学习应用》课程的总结，涵盖了非监督学习（聚类、降维）、监督学习（分类、回归）、强化学习以及sklearn库的使用。介绍了KMeans、DBSCAN聚类算法，PCA、NMF降维方法，以及KNN、决策树、朴素贝叶斯分类器。此外，还涉及线性回归、岭回归和多层感知机在回归任务中的应用，最后讨论了深度强化学习中的DQN算法。
Python机器学习应用-北京理工大学-礼欣
MOOC课程地址：http://www.icourse163.org/learn/BIT-1001872001?tid=1001965001
课程资料可在GitHub上下载（包括数据与相关教学资料）
链接：https://github.com/caiiiac/Machine-Learning-with-Python
课程内容
非监督学习：聚类、降维
监督学习：分类、回归
强化学习：使用深度神经网络进行强化学习
sklearn
安装：pandas, numpy, scipy, matplotlib, sklearn
六个模块：分类、回归、聚类、降维、模型选择、数据预处理
使用sklearn进行机器学习的一般步骤
加载数据（数据格式整理，工作量一般较大）
创建模型 a = sklearn.***
训练模型 a.fit(train_data)
预测 a.predict(test_data_X)
检验，模型预测结果与真实结果进行比较
聚类：Kmeans
随机选择K个点作为聚类中心，根据与聚类中心的距离将所有样本点划分到各个簇，重新计算各个簇的中心点作为新的聚类中心，重复第2、3步直到聚类中心不再变化（或者达到一定迭代次数）
sklearn.cluster.KMeans(n_cluster) K
实例：31个省份家庭平均消费水平
聚类：DBSCAN
不需要制
最低0.47元/天 解锁文章
1727
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
