weixin_46302044的博客

一、算法简介K-means 算法是一种聚类算法，所谓聚类，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于，聚类过程为无监督过程，即待处理数据对象没有任何先验知识，而分类过程为有监督过程，即存在有先验知识的训练数据集。经典的聚类算法 K-means 是通过指定聚类中心，再通过迭代的方式更新聚类中心的方式，由于每个点都被指派到距离最近的聚类中心，所以导致其不能分析出非球面类别的数据分布。虽然有 DBSCAN（densi

一、实验目的理解 K-means 聚类算法的基本原理学会用 python/matlab 实现 K-means 算法二、实验内容随机生成 500 个数，并对这 500 个数进行 k-mean 聚类（k=3,4,5,6)，(并用 matplot/plot 画 图）1) 随机创建 500 个样本的二维数据作为训练集;2) k=3 进行聚类，并观察簇分布；3) k=4 进行聚类，并观察簇分布；4) k=5 进行聚类，并观察簇分布；5) k=6 进行聚类，并观察簇分布；针对上传的数据集：sale

一、实验目的（1） 掌握Bagging算法的原理；（2） 掌握Adaboosting算法的原理；（3） 掌握Sklearn建模的流程；（4） 掌握调参的基本思想。二、实验内容（1）Bagging算法在Bagging方法中，利用bootstrap方法从整体数据集中采取有放回抽样得到N个数据集，在每个数据集上学习出一个模型，最后的预测结果利用N个模型的输出得到，具体地：分类问题采用N个模型预测投票的方式，回归问题采用N个模型预测平均的方式。例如随机森林（Random Forest）就属于Bagg

一、实验目的(1) 熟悉和掌握信息熵的概念和定义；(2) 掌握决策树分类方法(3) 使用决策树方法对泰坦尼克号数据进行预测和分类。二、实验内容（1）导入数据集（2）数据清洗：① 删除对分类无帮助的特征② 将某些字符串特征数值化③ 填补缺失值或删除（3）用sklearn默认参数生成棵普通的决策树，查看评分（4） 调整参数，得到最优的参数并生成最终的树（5）画出决策树三、实验代码#代码一import pandas as pdimport numpy as npimport ma

一、实验目的(1) 掌握贝叶斯算法原理；(2) 掌握朴素贝叶斯原理；(3) 使用朴素贝叶斯处理鸢尾花数据集分类二、实验内容（1）导入库，加载鸢尾花数据，输出样本和鸢尾花特征（2）数据分割，数据分割，形成模型训练数据和测试数据（3）高斯贝叶斯模型构建（4）计算预测值并计算准确率（5）画图三、实验代码import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib as mpl