沉晨尘宸的博客

逻辑回归1 概述1.1 名为“回归”的分类器优点：1.3 sklearn中的逻辑回归逻辑回归相关的类 说明其他会涉及的类 说明2.1 二元逻辑回归的损失函数penalty2.2 正则化：重要参数penalty & C2.2 梯度下降：重要参数max_iter1 概述1.1 名为“回归”的分类器回归树，随机森林的回归，无一例外他们都是区别于分类算法们，用来处理和预测连续型标签的算法。然而逻辑回归，是一种名为“回归”的线性分类器，其本质是由线性回归变化而来的，一种广泛使用于分类问题中的广义回归算法

降维算法PCA和SVD1 概述1.1 从什么叫“维度”说开来sklearn中的降维算法2 PCA与SVD2.1 降维究竟是怎样实现？2.2.1 迷你案例：高维数据的可视化6. 探索降维后的数据7. 选择最好的n_components：累积可解释方差贡献率曲线2.2.2 最大似然估计自选超参数2.2.3 按信息量占比选超参数2.3 重要参数svd_solver2.3.1 PCA中的SVD哪里来？1 概述1.1 从什么叫“维度”说开来对于数组和Series来说，维度就是功能shape返回的结果，shape

数据预处理和特征工程数据挖掘的五大流程：1.2 sklearn中的数据预处理和特征工程2 数据预处理 Preprocessing & Impute2.1 数据无量纲化2.3 处理分类型特征：编码与哑变量参数 含义&输入sklearn中的数据预处理和特征工程1 概述1.1 数据预处理与特征工程1.2 sklearn中的数据预处理和特征工程2 数据预处理 Preprocessing & Impute2.1 数据无量纲化2.2 缺失值2.3 处理分类型特征：编码与哑变量2

随机森林在乳腺癌数据上的调参1. 导入需要的库2. 导入数据集，探索数据3. 进行一次简单的建模，看看模型本身在数据集上的效果4. 随机森林调整的第一步：无论如何先来调n_estimators5. 在确定好的范围内，进一步细化学习曲线6. 为网格搜索做准备，书写网格搜索的参数7. 开始按照参数对模型整体准确率的影响程度进行调参，首先调整max_depth8. 调整max_features9. 调整min_samples_leaf10. 尝试min_samples_split11. 最后尝试一下criteri

随机森林树一.概述【1】集成算法概述1.概念与应用2.集成算法的目标3.其他定义【2】sklearn中的集成算法1.sklearn中的集成算法模块ensemble（1）类与类的功能2.复习：sklearn中的决策树3.sklearn的基本建模流程二.RandomForestClassifier【1】重要参数1.控制基评估器的参数2.n_estimators【2】建立一片森林1. 导入我们需要的包2. 导入需要的数据集3. 复习:sklearn建模的基本流程4. 画出随机森林和决策树在十组交叉验证下的效果对比

回归树重要参数，属性和接口【1】criterion【2】交叉验证cross_val_score【3】实例：一维回归的图像绘制重要参数，属性和接口class sklearn.tree.DecisionTreeClassifier(criterion='mse' ,splitter="random" ,max_depth=None

决策树一.认识决策树【1】什么是决策树？【2】什么地方应用？【3】是如何工作的？【4】核心解决两个问题二.sklearn中的决策树【1】模块【2】流程三.分类树【1】重要参数1.criterion2.建立一个树13. 建立一个树2一.认识决策树【1】什么是决策树？决策树是一种非参数的有效监督学习的方法，他能过从一系列有特征和标签的数据中 总结出来决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。【2】什么地方应用？尤其是在以树模型为核心的各种集成算法中有广泛应用【3】是如何工作的？