鹏心雕珑的博客

摘要：本文主要介绍了分类任务的分类，逻辑回归的概念，以及分类评估方法；同时介绍了如何使用python对分类任务进行建模、预测结果以及结果评价，以及使用GridSearch方法进行优化；

本文主要介绍了笔者对于决策树原理的理解。

本文主要介绍聚类、K-means的概念和结果评估，以及使用python进行聚类分析的方法；

关键词：主成分分析，PCA，scikit-learn，python，降维摘要：本文主要介绍降维、PCA等概念，以及PCA实现、降维数据可视化、文件目录内所有图片读取、降维后利用逻辑回归进行分类等方法；

目的 笔者计划对“机器学习machine learning”进行学习，为了对知识和技能进行及时地梳理和总结，同时也为了能够与同道者交流学习，决心以笔记分享的方式来记录这一过程，也算是对自己的一种鞭策吧。架构&思路 & 参考资料： a. 从工程师立场来看，问题的解决往往可以分为两个过程：造积木和搭积木；具体到机器学习的领域，创造新的算法，并对其进行封装，这是造积木的部分，而将不同的算法应用到各

摘要：本文是“Mastering Machine Learning With scikit-learn”第二章“线性回归”的学习笔记，对书中源码进行实现，并对书中内容按照知识模块进行整理，尤其是对python函数整理力求做到清晰有条理；

摘要：本文为“mastering machine learning with scikit-learn”第三章“特征提取”的读书笔记；主要介绍了从分类变量、文字、图像等研究对象中提取变量特征的方法，重点介绍了独热编码（one-Hot Encoding）、词库模型（Bag-Of-words model）、特征向量降维方法、角点/SIFT/SURF等特征提取方法，以及其Python实现；