Applied-Machine-Learning代码记录

1.k-Means Clustering.ipynb（基于k-Means聚类的无监督学习）

聚类是一种无监督学习方法，用于将数据分组为簇以检测相似性。k-means是一种流行的执行聚类的方法，并在Scikit的KMeansclas中实现

首先介绍了一些关于聚类的方法，然后用假数据画图，告诉我们肘部法则确定簇是多少最合适，然后开始应用k-means解决一个现实世界的问题：根据客户数据对客户进行细分，以确定新产品或促销活动的目标客户，从而增加他们的购买活动。

2.k-Nearest Neighbors.ipynb（k近邻监督学习）

使用著名的[iris数据集]构建一个简单的监督学习模型(https://en.wikipedia.org/wiki/Iris_flower_data_set)，其中包含150个描述三种虹膜测量结果的样本。

3.Regression (Taxi Fares).ipynb（回归模型预测数字结果）

让我们使用纽约市一个更大的出租车票价数据集的一部分来训练一个回归模型，根据一天中的时间、接送地点和其他信息来预测票价。

分别用了线性回归模型，梯度增强回归器

4.Binary Classification (Fraud Detection).ipynb（使用二进制分类进行欺诈检测）

使用逻辑回归来分离类的模型

使用混淆矩阵来可视化模型在测试过程中的表现

随机森林分类器

梯度增强分类器是否还能做得更好

5.Binary Classification (Titanic).ipynb（使用逻辑回归模型对泰坦尼克号乘客的生存进行二分类预测）

展示了如何使用逻辑回归模型进行二分类任务，包括数据预处理、模型训练、评估和预测。它以泰坦尼克号