Python数据分析与挖掘实战学习17

一、Python分类预测模型特点

模型	模型特点	位于
逻辑回归	比较基础的线性分类模型，很多时候是简单有效的选择	Sklearn.linear_model
SVM	强大的模型，可以用来回归、预测、分类等，而根据选取不同的核函数，模型可以是线性的/非线性的	Sklearn.svm
决策树	基于“分类讨论、逐步细化”思想的分类模型，模型直观、易解释	Skearn.tree
随机森林	思想与决策树类似，精度通常比决策树要高，缺点是由于其随机性，丧失了决策树的可解释性	Sklearn.ensemble
朴素贝叶斯	基于概率思想的简单有效的分类模型，能够给出容易理解的概率解释	Sklearn.naive_bayes
神经网络	具有强大的拟合能力，可以用于拟合、分类等，他有很多个增强版本，如递神经网络、卷积神经网络、自编码器等，这些都是深度学习的模型基础	Keras

二、聚类分析

1.常用聚类分析算法

与分类不同，聚类分析是在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法。与分类模型需要使用有类标记样本构成的训练数据不同，聚类模型可以建立在无类标记的数据上，是一种无监督的学习算法。聚类的输入是一组未被标记的样本，聚类根据数据自身的距离或相似度将其划分为若干组，划分的原则是组内距离最小化而组间（外部）距离最大化。

常用聚类方法如下表所示：

类别