机器学习--集成学习 集成学习是机器学习中的一种思想，它通过多个模型的组合形成一个精度更高的模型，参与组合的模型成为弱学习器（基学习器）。思想：给定样本初始的权重，然后对决策树的预测结果算出错误率，错误率等于预测个数乘样本权重， 选择错误率最小的分裂点进行弱学习器的分裂或分类，通过错误率重新给样本权重赋值，预测正确的样本减小样本权重，预测错误的样本增加样本权重，然后通过错误率和样本权重给弱学习器赋予模型权重，最终的结果为每个弱学习器的预测结果乘以模型权重之和。弱分类器的性能比随机猜测强就行，即可构造出一个非常准确的强分类器。
机器学习算法之——决策树 决策树是什么？决策树是一种树形结构，树中每个内部节点表示一个特征上的判断，每个分支代表一个判断结果的输出，每个叶子节点代表一种分类结果决策树的建立过程1.特征选择：选取有较强分类能力的特征。2.决策树生成：根据选择的特征生成决策树。3.决策树也易过拟合，采用剪枝的方法缓解过拟合。决策树的分类：ID3树 ：基于信息增益C4.5树 ：基于信息增益率cart树 ：基于基尼指数。
逻辑回归以及分类评估方法 逻辑回归是基于线性回归的基础上的，线性回归的输出会作为逻辑回归的输入，通过sigmoid函数将输入的值转化为（0~1）之间的概率，然后设置一个阈值，大于这个阈值的概率将分成1类，小于这个阈值的就分为0类。逻辑回归概念 Logistic Regression• 一种分类模型，把线性回归的输出，作为逻辑回归的输入。• 输出是(0, 1)之间的值• 基本思想利用线性模型 f(x) = wx + b 根据特征的重要性计算出一个值再使用 sigmoid 函数将 f(x) 的输出值映射为概率值。
线性回归算法总结——波士顿房价案例 线性回归(Linear regression)是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。线性回归算法分类：一元线性回归（y = kx +b ）、多元线性回归（y=k1x1+k2x2+k3x3+b）基础的API：LinearRegression# 1. 导入数据包# 2. 准备数据# 3. 实例化模型# 4. 预测这是最简单的API，接下来通过一个案例来深入了解线性回归。
梯度下降算法的个人理解 这样一步一步的求新权重值，直到导数趋近于0的时候 这时候损失函数得到最小 于是得到了最佳的权重。然后求损失函数在初始权重点的导数 让初始权重减去这个导数与下降速率a的乘积得到新的权重值。首先设置一个初始的权重值和一个下降速率a。下降的速度由超参数a决定。
Knn算法简单应用-鸢尾花案例 Knn算法：k 个 nearest neighbor 的目标值决定当前数据的目标值 其中k 由自己设定。其中 分类问题就是k个目标值个数最多的那个 回归问题就是k个值的平均值。
Pandas—dataframe数据分析 ()方法返回的是去重之后的不同值，而nunique()方法则直接返回不同值的个数，并且在len（unique（））是包含空值的返回值，而nunique（）是不包含空值的，但是nunique（dropna=False。dataframe没有unique（）这个方法，只有nunique（）这个方法，而series有unique（）方法也有nunique（）方法。聚合函数有：max（），min（），mean（），count（），value_count（），unique（）,nunique（）等等。
关注
