lezaimemecha的博客

用到sklearn库中的linear_model模块：①Linear.Regression()类②Ridge()类 ①Linear.Regression()：通过求实际观测值与预测值的差的平方的最小值求得参数w；   数学公式：（即最小二乘法） from sklearn import linear_model X=[[0,0],[1,2],[2,2],[4,5],[5,100]] y=[

这次用KNN算法实战了改进约会网站的配对效果，将代码和思路记录下来作为以后思考和改进的模版，其中③K-临近算法实现代码可以用sklearn中的KNeighborsClassifier()代替import numpy as npimport operatorfrom sklearn.neighbors import KNeighborsClassifier import matplotlib.pyp

（1）广义线性模块： sklearn.linear_model （2）支持向量机模块：sklearn.svm （3）最临近模块：sklearn.neighbors （4）高斯过程模块：sklearn.gaussian_process （5）朴素贝叶斯模块：sklearn.naive_bayes （6）决策树模块：sklearn.tree （7）集成模块：sklearn.ensemble

模块：sklearn.naive_bayes 理论基础：每队特征之间相互对立；其需要的训练数据比较少，通过计算属于每个类的概率并取概率最大的类作为预测类 共有三类：①高斯贝叶斯（from sklearn.naive_bayes import  GaussianNB）                  ②多项式模型贝叶斯（from sklearn.naive_bayes import  Mul

查准率：预测为1的数据中，真的是1的比例。sklearn.metrics.precision_score()召回率：真的是1的数据中 ，被预测为1的比例 sklearn.metrix.recall_score()F1Score=2*PR/(P+R) 来判断模型的好坏；sklearn.metrix.f1score() 理想状态是预测是1的全部真的是1（即查准率=1）&真的是1的全部被预测是1...

①欠拟合即不能准确的拟合训练集数据；即训练集的损失函数高，得分低   欠拟合对交叉测试集(或其他新数据集)的预测能力也较差，即交叉测试集的损失函数高，得分低；   欠拟合属于高偏差，即拟合曲线与真实曲线的值的偏差较大(如用一次函数来拟合类三次函数的数据)②过拟合即过分拟合训练集中的数据，即训练集的损失函数低，得分高   过拟合对交叉测试集(或其他新数据集)的预测能力较差；即交叉测试集的损失函数高，...