- 博客(4)
- 收藏
- 关注
RSS订阅原创 机器学习，r语言
数据探索和可视化：使用各种统计方法和可视化工具，对数据进行探索和分析，以了解数据的特征、分布和相关性等。特征选择和工程：根据数据的特点和问题的需求，选择合适的特征，并进行特征工程，如特征变换、特征组合等。选择模型：根据问题的类型和数据的特点，选择合适的机器学习模型，如线性回归、决策树、随机森林等。模型评估：使用测试集对训练好的模型进行评估，常用的评估指标包括准确率、召回率、F1值等。模型训练：使用训练集对选定的模型进行训练，通过调整模型的参数和超参数，优化模型的性能。表示使用所有的预测变量来预测响应变量。
2023-10-24 21:32:19
238
原创 10.12学习记录，randomforest
data6$cpp<-factor(data6$cpp)#变量类型修正。plot(cpp~IGF,data=traindata)#或绘制散点图。library(caret)#数据拆分，模型评估，构建机器学习模型。hist(data6$IGF,breaks = 50)#直方图。library(tidyverse)#数据整理及绘图。library(DataExplorer)#数据缺失。library(skimr)#数据整体情况。set.seed(42)#保证可重复性。#偏依赖图,自变量与因变量之间的关系。
2023-10-13 15:48:07
57
原创 mice填补
缺失数据集——MCMC估计插补成几个数据集——每个数据集进行插补建模（glm、lm模型）——将这些模型整合到一起（pool）——评价插补模型优劣（模型系数的t统计量）——输出完整数据集（compute）
2023-10-09 23:48:25
60
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人