Candice1103的博客

logistic回归的一般过程： 1、收集数据：任何方式 2、准备数据：由于要计算距离，因此要求数据都是数值型的，另外结构化数据格式最佳。 3、分析数据：采用任一方是对数据进行分析 4、训练算法：大部分时间将用于训练，训练的目的为了找到最佳的分类回归系数 5、测试算法：一旦训练步骤完成，分类将会很快 6、使用算法：首先，我们需要输入一些数据，并将其转化成对应的结构化数值；接着基于训练好的

def file2matrix(filename):     fr = open(filename)     arrayOLines = fr.realines()     returnMat = zeros((numbersOfLines,3))     classLabelVector = []     index = 0     for line in arrayOLines:

一、k近邻算法概述        k近邻算法采用测量不同特征值之间的距离方法进行分类。 优点：精度高、对异常值不敏感、无数据输入假定。 缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称型。 二、算法一般流程       1、收集数据：可以使用任何方法。 2、准备数据：距离计算所需要的数值，最好是结构化的数据格式。 3、分析数据：可以使用

决策树 k近邻算法可以完成很多分类任务，但是他最大的缺点就是无法给出数据的内在含义，决策树的优势就在于数据形式非常容易理解。 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关的特征数据。 缺点：可能产生过度匹配的问题。 使用数据类型：数值型和标称型。 1、决策树的构造 在构造决策树的时候，我们需要解决的第一个问题就是，在划分数据集的时候那些特征起着决定性作用。