说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
最大似然估计(Maximum Likelihood Estimation, MLE)是一种统计推断方法,用于估计一个概率模型的参数。
本项目通过GenericLikelihoodModel算法来构建最大似然估计概率模型。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下:
编号 | 变量名称 | 描述 |
1 | x1 | |
2 | x2 | |
3 | x3 | |
4 | y |
数据详情如下(部分展示):
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据:
关键代码:
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息:
从上图可以看到,总共有4个变量,数据中无缺失值,共32条数据。
关键代码:
3.3 数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下:
4.探索性数据分析
4.1 变量直方图
用Matplotlib工具的hist()方法绘制直方图:
从上图可以看到,变量主要集中在2.25~3.75之间。
4.2 折线图
从上图中可以看到,数据是不断波动的。
5.构建最大似然估计概率模型
主要使用GenericLikelihoodModel算法,用于最大似然估计概率模型。
5.1 构建模型
编号 | 模型名称 | 参数 |
1 | 最大似然估计概率模型 | 默认参数 |
5.2 模型摘要信息
6.模型评估
6.1 模型参数估计值的协方差矩阵
7.结论与展望
综上所述,本文采用了GenericLikelihoodModel算法来构建最大似然估计概率模型,最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。
# 本次机器学习项目实战所需的资料,项目资源如下:
# 项目说明:
# 获取方式一:
# 项目实战合集导航:
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
# 获取方式二:
链接:https://pan.baidu.com/s/1d54RG0iCz3jV9o8bey2IGA
提取码:kq3e