机器学习-初级入门（分类算法）

最新推荐文章于 2023-07-31 20:50:34 发布
最新推荐文章于 2023-07-31 20:50:34 发布
阅读量219 收藏
点赞数
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41433183/article/details/104317981
版权

一、分类算法

  1. 逻辑回归

    原理
    在这里插入图片描述
    在这里插入图片描述
    数据

         User ID  Gender   Age  EstimatedSalary  Purchased
    15624510    Male  19.0          19000.0          0
    15810944    Male  35.0          20000.0          0
    15668575  Female  26.0          43000.0          0
    15603246  Female  27.0          57000.0          0
    15804002    Male  19.0          76000.0 
    ...

    import warnings
with warnings.catch_warnings():
    warnings.filterwarnings("ignore", category=DeprecationWarning)
    from sklearn.model_selection import train_test_split
    from sklearn.linear_model import LogisticRegression
    from sklearn.preprocessing import StandardScaler
    from sklearn.metrics import confusion_matrix
from matplotlib.colors import ListedColormap
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# Importing the dataset
dataset = pd.read_csv('Social_Network_Ads.csv')
print(dataset)
X = dataset.iloc[:, [2, 3]].values
y = dataset.iloc[:, 4].values

# Splitting the dataset into the Training set and Test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# Feature Scaling
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)

# 分类器
classifier = LogisticRegression(random_state=0)
classifier.fit(X_train, y_train)

# 预测测试集结果
y_pred = classifier.predict(X_test)

# 创建混淆矩阵
cm = confusion_matrix(y_test, y_pred)
"""
[[65  3]
 [ 8 24]]
 右下对角之和为预测正确的数
 左下对角之和为预测错误的数
"""

# 画图看效果

# --------------训练集结果-------------------
X_set, y_set = X_train, y_train
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Logistic Regression (Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()


X_set, y_set = X_test, y_test
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Logistic Regression (Test set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

    结果：
    在这里插入图片描述
    在这里插入图片描述

  2. 支持向量机 (SVM)

    原理
    在这里插入图片描述
    数据

     User ID  Gender   Age  EstimatedSalary  Purchased
15624510    Male  19.0          19000.0          0
15810944    Male  35.0          20000.0          0
15668575  Female  26.0          43000.0          0
15603246  Female  27.0          57000.0          0
15804002    Male  19.0          76000.0          0
...

    import warnings
with warnings.catch_warnings():
    warnings.filterwarnings("ignore", category=DeprecationWarning)
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.metrics import confusion_matrix
    from sklearn.svm import SVC
from matplotlib.colors import ListedColormap
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np


# Importing the dataset
dataset = pd.read_csv('Social_Network_Ads.csv')
X = dataset.iloc[:, [2,3]].values
y = dataset.iloc[:, 4].values

# Splitting the dataset into the Training set and Test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)

# Feature Scaling
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)

# Fitting the classifier to the Training set
classifier = SVC(kernel="linear", random_state=0)
classifier.fit(X_train, y_train)

# Predicting the Test set results
y_pred = classifier.predict(X_test)

# Making the Confusion Matrix
cm = confusion_matrix(y_test, y_pred)

# Visualising the Training set results
X_set, y_set = X_train, y_train
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Classifier (Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

# Visualising the Test set results
X_set, y_set = X_test, y_test
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Classifier (Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

    结果

    在这里插入图片描述
    在这里插入图片描述

  3. 核函数支持向量机 Kernel SVM

    Kernel SVM-向高纬度映射
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    RBF核函数

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    核函数类型
    在这里插入图片描述
    数据：

     User ID  Gender   Age  EstimatedSalary  Purchased
15624510    Male  19.0          19000.0          0
15810944    Male  35.0          20000.0          0
15668575  Female  26.0          43000.0          0
15603246  Female  27.0          57000.0          0
15804002    Male  19.0          76000.0          0
...

    import warnings
with warnings.catch_warnings():
    warnings.filterwarnings("ignore", category=DeprecationWarning)
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.metrics import confusion_matrix
    from sklearn.svm import SVC
from matplotlib.colors import ListedColormap
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# Importing the dataset
dataset = pd.read_csv('Social_Network_Ads.csv')
X = dataset.iloc[:, [2, 3]].values
y = dataset.iloc[:, 4].values

# Splitting the dataset into the Training set and Test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)

# Feature Scaling
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

# Fitting classifier to the Training set
classifier = SVC(kernel="rbf", random_state=0)  # kernel="rbf": 高斯核分类器
classifier = classifier.fit(X_train, y_train)

# Predicting the Test set results
y_pred = classifier.predict(X_test)

# Making the Confusion Matrix
cm = confusion_matrix(y_test, y_pred)

# Visualising the Training set results
X_set, y_set = X_train, y_train
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Classifier (Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

# Visualising the Test set results
X_set, y_set = X_test, y_test
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Classifier (Test set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

    结果：

    在这里插入图片描述
    在这里插入图片描述

  4. Naive Bayes(朴素贝叶斯)

    公式
    在这里插入图片描述
    实际用例
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    应用示例
    在这里插入图片描述
    在这里插入图片描述
    数据：

     User ID  Gender   Age  EstimatedSalary  Purchased
15624510    Male  19.0          19000.0          0
15810944    Male  35.0          20000.0          0
15668575  Female  26.0          43000.0          0
15603246  Female  27.0          57000.0          0
15804002    Male  19.0          76000.0          0
...

    import warnings
with warnings.catch_warnings():
    warnings.filterwarnings("ignore", category=DeprecationWarning)
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.metrics import confusion_matrix
    from sklearn.naive_bayes import GaussianNB
from matplotlib.colors import ListedColormap
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# Importing the dataset
dataset = pd.read_csv('Social_Network_Ads.csv')
X = dataset.iloc[:, [2, 3]].values
y = dataset.iloc[:, 4].values

# Splitting the dataset into the Training set and Test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)

# Feature Scaling
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

# Fitting Naive Bayes to the Training set
classifier = GaussianNB()
classifier = classifier.fit(X_train, y_train)

# Predicting the Test set results
y_pred = classifier.predict(X_test)

# Making the Confusion Matrix
cm = confusion_matrix(y_test, y_pred)

# Visualising the Training set results
X_set, y_set = X_train, y_train
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Naive Bayes (Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

# Visualising the Test set results
X_set, y_set = X_test, y_test
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Naive Bayes (Test set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

    结果：

    在这里插入图片描述
    在这里插入图片描述

  5. Decision Tree Classification(决策树分类器)
    原理
    在这里插入图片描述
    在这里插入图片描述
    数据

     User ID  Gender   Age  EstimatedSalary  Purchased
15624510    Male  19.0          19000.0          0
15810944    Male  35.0          20000.0          0
15668575  Female  26.0          43000.0          0
15603246  Female  27.0          57000.0          0
15804002    Male  19.0          76000.0          0
...

    import warnings
with warnings.catch_warnings():
    warnings.filterwarnings("ignore", category=DeprecationWarning)
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.tree import DecisionTreeClassifier
    from sklearn.metrics import confusion_matrix
from matplotlib.colors import ListedColormap
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# Importing the dataset
dataset = pd.read_csv('Social_Network_Ads.csv')
X = dataset.iloc[:, [2, 3]].values
y = dataset.iloc[:, 4].values

# Splitting the dataset into the Training set and Test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)

# # Feature Scaling(若算法中牵扯到欧式距离的运算才进行特征缩放，决策树不需要)
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

# Fitting Decision Tree to the Training set
classifier = DecisionTreeClassifier(criterion="entropy", random_state=0)
classifier = classifier.fit(X_train, y_train)

# Predicting the Test set results
y_pred = classifier.predict(X_test)

# Making the Confusion Matrix
cm = confusion_matrix(y_test, y_pred)

# Visualising the Training set results
X_set, y_set = X_train, y_train
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Decision Tree (Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

# Visualising the Test set results
X_set, y_set = X_test, y_test
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Decision Tree (Test set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

    结果：
    在这里插入图片描述
    在这里插入图片描述

  6. Random Forest Classification(随机森林, 和决策树会过渡拟合)

    原理
    在这里插入图片描述
    数据：

     User ID  Gender   Age  EstimatedSalary  Purchased
15624510    Male  19.0          19000.0          0
15810944    Male  35.0          20000.0          0
15668575  Female  26.0          43000.0          0
15603246  Female  27.0          57000.0          0
15804002    Male  19.0          76000.0          0
...

    import warnings
with warnings.catch_warnings():
    warnings.filterwarnings("ignore", category=DeprecationWarning)
    from sklearn.model_selection import train_test_split
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.preprocessing import StandardScaler
    from sklearn.metrics import confusion_matrix
from matplotlib.colors import ListedColormap
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# Importing the dataset
dataset = pd.read_csv('Social_Network_Ads.csv')
X = dataset.iloc[:, [2, 3]].values
y = dataset.iloc[:, 4].values

# Splitting the dataset into the Training set and Test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)

# # Feature Scaling(若算法中牵扯到欧式距离的运算才进行特征缩放，决策树不需要)
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

# Fitting Random Forest to the Training set
classifier = RandomForestClassifier(n_estimators=10, criterion="entropy", random_state=0)  # n_estimators: 决策树的数量
classifier = classifier.fit(X_train, y_train)

# Predicting the Test set results
y_pred = classifier.predict(X_test)

# Making the Confusion Matrix
cm = confusion_matrix(y_test, y_pred)

# Visualising the Training set results
X_set, y_set = X_train, y_train
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Random Forest (Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

# Visualising the Test set results
X_set, y_set = X_test, y_test
X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01),
                     np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01))
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c=ListedColormap(('orange', 'blue'))(i), label=j)
plt.title('Random Forest (Test set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

    结果：
    在这里插入图片描述
    在这里插入图片描述

二、一些名词概念

  1. 伪阳性伪阴性

    在这里插入图片描述

  2. 累计准确曲线
    在这里插入图片描述
    在这里插入图片描述

    累计准确曲线-量化评估
    在这里插入图片描述

背后——NULL
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
logistic回归预测_使用Logistic回归的suv购买预测
weixin_26750481的博客
09-03 639
logistic回归预测In this blog-post ,I will go through the process of creating a machine learning model for suv cars dataset. The dataset provides information regarding the age ,gender and Estimated Salary....
机器学习算法入门（sklearn）
lamesoeur的博客
03-16 443
最近看了《Python机器学习及实践》这本书，收获不少。于是准备对书中的要点通过表格的形式做一个简单的梳理和总结，供入门的同学学习参考。如发现总结的不到位地方，不接受批评，欢迎指正。本文主要分以下几个部分：1.监督学习及常用模型2.无监督学习及常用模型3.特征提取及模型选择4.结语正文1.监督学习及常用模型  2.无监督学习及常用模型3.特征提取及模型选择4.结语      本文只是对书中的模型做...
机器学习简单入门-分类算法
i6223671的博客
03-13 693
文章目录一.数据集1.scikit-learn 数据集2.数据集的划分3.估计器二.k-近邻算法三.分类模型评估四.朴素贝叶斯算法五.模型的选择与调优六.决策树与随机森林 一.数据集 1.scikit-learn 数据集 scikit-learn 自带数据集,可以直接获取,也可以从网上获取 API *表示通用具体的实际中是不同名字 load* 和fetch*返回的数据类型datasets.bas...
SQL项目实战：银行客户分析
csdn1561168266的博客
07-31 1212
留存客户和流失客户的满意度得分有点令人担忧 [ 3.017960 / 2.997547 ]，银行需要进行评估，以保持流失客户和留存客户之间的满意度得分差距，并保持活跃客户，因为活跃客户流失的可能性较低。现在，本文将从活跃客户、性别、人口统计、年龄、临时工龄、信用分数、产品数量、满意度分数、投诉、是否有信用卡、卡类型、已获积分、预估薪资和余额等多个方面来检查客户流失状况的类型。不管客户在银行停留了多长时间，他们仍然有可能流失，或者说，客户的银行账户上有相当数量的存款，他们仍然有可能流失。
机器学习之决策树
若云流风的专栏
05-05 458
一、导入标准库In [1]:# Importing the libraries 导入库 import numpy as np import matplotlib.pyplot as plt import pandas as pd # 使图像能够调整 %matplotlib notebook #中文字体显示 plt.rc('font', family='SimHei', size=8) 二、导...
5.31记录：mooc深度学习第一课：银行客户流失
weixin_61235989的博客
06-13 589
仅用于个人记录 完整代码在最后 深度学习及其应用_中国大学MOOC(慕课) (icourse163.org) import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #import tensorflow as tf import tensorflow.compat.v1 as tf tf.disable_v2_behavior() import pandas as pd import numpy as np from sklearn.utils
机器学习初级入门(一)感知机
weixin_45743162的博客
07-07 448
理解：感知机是分类模型，其单个特征向量最终训练结果是{+1，-1}。(这里不用输入空间，输出空间等术语). 函数:y=sign(wx+b) 参数解析:w和b是感知机的模型参数(不了解不要紧，往下看),w是权值(权值向量,x是个特征向量)，b是偏置。sign(x)是一个函数，当x>=0时为+1，否则为-1。 几何解释：线性方程wx+b=0对应于空间中的一个超平面S,其中w是法向量，b是截距。这个超平面将空间划分为两部分，分别是正负两类。 咱们建立模型的时候就是求w和b。 x0到S的距离：y0=|wx0+
机器学习的常用数据集资源下载
04-05
在机器学习领域，数据集是训练和评估模型的基础，它们为算法提供了学习的素材。本文将探讨一些机器学习中常用的公开数据集资源，这些资源对于初学者和专业研究者来说都极其宝贵。以下是一些备受推崇的数据集，涵盖...
Udacity 机器学习初级.zip
04-08
Udacity 的“机器学习初级”课程是入门级别的学习资源，旨在帮助初学者理解机器学习的基础概念、方法和技术。这门课程不仅适合计算机科学背景的学生，也适合那些希望提升数据分析能力、理解和应用机器学习模型的各行...
机器学习入门test.zip
最新发布
04-08
在“机器学习入门test.zip”这个压缩包中，我们很可能会找到一些初级到中级的机器学习教程、代码示例或者数据集，帮助初学者理解并实践机器学习的基本概念。 首先，让我们探讨一下机器学习的基础知识。机器学习可以...
R语言与机器学习、R语言的初级入门教程
04-07
进入机器学习部分，支持向量机（SVM）是一种强大的分类和回归工具。在R中，我们可以使用`e1071`库来实现SVM。首先，你需要加载库并准备数据： ```r install.packages("e1071") library(e1071) data <- read.csv(...
python机器入门学习.zip
04-08
熟悉Scikit-learn的基本用法，包括数据分割、模型训练、参数调优、交叉验证等，是机器学习初级阶段的关键。 除此之外，你可能还会接触到数据可视化，如Matplotlib和Seaborn库，它们可以帮助你有效地展示数据和模型...
python数据清洗笔记
Master__0的博客
04-24 1070
数据分析 什么是数据分析？ 数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。 使用python做数据分析的常用库 numpy 基础数值算法 scipy 科学计算 matplotlib 数据可视化 pandas 序列高级函数 numpy概述 Numerical Python，数值的Python，补充了Python语言所欠缺的数值计算能力。 Numpy是其它数据分析及机器学习
基于python的银行信用卡客户等级预测系统
D1LEAM的博客
02-08 943
本项目基于Jupyter Notebook平台进行银行信用卡客户等级预测，使用PyCharm和MySQL平台构建银行信用卡客户管理系统。
机器学习--分类算法入门Knn kmeans 朴素贝叶斯 决策树
qq_32227619的博客
08-25 893
Kmeans: K-means算法，也称为K-平均或者K-均值，一般作为掌握聚类算法的第一个算法。 如上图以 K 为2，样本集为M 来描述KMean算法，算法执行步骤如下： （1）随机选取K个点做为初始聚集的簇心（也可选择非样本点）; （2）分别计算每个样本点到 K个簇核心的距离（这里的距离一般取欧氏距离或余弦距离），找到离该点最近的簇核心，将它归属到对应的簇； （3）所有点都归属到簇之后， M个点就分为了 K个簇。之后重新计算每个簇的重心（平均距离中心），将其定为新的“簇核心”； （4）反
【机器学习】 关于 “ X_set[y_set == j, 0] ” 的含义
maple05的博客
08-12 548
源代码： for i, j in enumerate(np.unique(y_set)): plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1], c=ListedColormap(('orange', 'blue'))(i), label=j) 首先：举一个简单例子： >>> import numpy as np >>> x = np.array([[0,
python中x[y==1[0是什么意思_python – X_set [y_set == j,0]是什么意思？
weixin_39710003的博客
12-09 991
这里发生了一些事情.现在,我将放弃循环,但我们知道j将取y_set中的值,因此将为零或一.首先制作两个数组：import numpy as npX_set = np.arange(20).reshape(10, 2)y_set = np.array([0, 1, 1, 1, 0, 0, 1, 1, 0, 1])从上面看,这段代码基本上是这样做的：plt.scatter(filtered_value...
机器学习第5天：逻辑回归
热门推荐
“365天深度学习训练营”报名进行中～
09-25 3万+
文章目录一、环境二、具体实现步骤第1步：数据预处理导入库导入数据将数据集分成训练集和测试集第2步：逻辑回归模型第3步：预测结果第4步：评估预测结果生成混淆矩阵混淆矩阵可视化三、可视化结果展示四、逻辑回归是什么五、知识点详解1. 关于可视化 一、环境 Python3.6.5 编译器：jupyter notebook 二、具体实现步骤 第1步：数据预处理 导入库 import numpy as n...
机器学习-初级进阶（Thompson 抽样算法 ）
小小龙的博客
02-15 1476
一、Thompson 抽样算法 原理 代码实现 from matplotlib import pyplot as plt import pandas as pd import random dataset = pd.read_csv("Ads_CTR_Optimisation.csv") d = 10 N = 10000 numbers_of_rewards_1 = [0] * d...
[机器学习入门][sciki-learn使用]机器学习.pdf
11-15
学习者将掌握常见的机器学习算法原理，例如线性回归、决策树、随机森林和支持向量机等，并通过Scikit-learn来实践这些算法，解决实际问题。 在实际应用中，机器学习广泛应用于各行各业，比如医疗诊断、市场营销、...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值