本文从线性回归概念、回归模型、损失函数,线性回归模型对比、回归模型评估、回归模型拟合度调优阐释线性回归基础

本文从贝叶斯定理、朴素贝叶斯概念、应用场景、原理、实现思路、python实现情感倾向预测、模型调优来快速学会朴素贝叶斯，完整版代码见文末。

一文看懂机器学习是什么，分类、基础模型原理

进行投票：看最近的3个邻居中，有多少是正例，多少是负例。年龄、胆固醇水平、收缩压、BMI：这些是数值特征，可以进行标准化或最小-最大缩放。投票结果，在三个邻居中有两个是心脏病，一个不是心脏疾病。因此预测A可能有心脏病。找到最近的k个邻居：根据计算出的距离，我们选择最近的k（此处为3）个数据点。假设K=3，我们依据分类任务投票机制，找出A数据点最近的三个领居。老年动脉硬化：轻度 = 0, 中度 = 1, 重度 = 2。计算距离：我们需要计算A与所有训练数据点的距离。是否有心脏疾病：否 = 0, 是 = 1。

特征缩放又称归一化，是机器学习中的一种技术，涉及调整数值数据的量度，使所有数据点在相似的尺度上。例如：身高、体重、年龄、收入等个人特征数据，每个维度的区间不一样，为保证所有维度的特征数据尺度一样，我们就需要对原始数据做特征缩放，将身高、体重、年龄、收入都转化为区间[0,1]之间的数据。

本文从概念、应用场景、原理、工作流程、优缺点、应用实践、代码、可视化等几方面诠释 K 均值聚类模型

例如，若果你想分类一个新的数据点(绿点)，可以查看训练数据中哪些数据点与它最接近，并根据这些最接近的数据点和标签来预测它的标签(红点或蓝圆)。在日常生活中，我们经常无意识地使用欧几里得距离，例如，当我们说两地之间的"直线"距离时，实际上是在引用欧几里得距离。这是一个用户指定的正整数，即训练数据分类数量，代表要考虑的最近邻居的数量，上图中假设 K=2,即训练数据分类为蓝色圆和红色三角两类标签。随着 k 值的增加，分类决策的边界会变得更加平滑，可能会忽视数据中的细微模式，导致欠拟合。用于计算数据点之间的距离。