weixin_51931061的博客

1.轮廓图 1.1 基本介绍 在二维直角坐标系中，将 n 次观测值可画出 n 条折线构成轮廓图，其中横坐标表示各个变量，纵坐标表示与变量取值成正比的数值。作图步骤 (1) 作直角坐标系，横坐标取 p 个点表示 p 个变量. (2) 对给定的一次观测值，在 p 个点上的纵坐标（即高度）和它对应的变取值成正比. (3) 连接 p 个高度的顶点得一折线，则一次观测值的轮廓为一条多角折线形 1.2 实现代码 pandas.plotting.parallel_coordin.

一、主要内容掌握各方法的基本思想、用途。掌握各方法的使用条件和优缺点各方法中的主要概念 ·多元变量：协方差矩阵、相关系数矩阵、多元正态分布形式 ·回归分析：最小二乘、Lasso、岭回归、损失函数、可决系数、均方误差·分类任务：线性投影、极大似然估计 ·其他任务：聚类及分类的区别、主因子、主成分、典型变量熟悉各方法的实现过程，尤其是回归分析、主成分分析及分类二、矩阵的微商三、统计模型优化四、变量间的相似性注：数据降维...

一、代码实现与示例 1.代码实现 ◆ sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False) ➢ n_components : int, float, None or string。降维后的主成成分数量 ✓ 若 0 < n_components < 1，则方差和需要大于 n_components 所指定的 阈值，PCA 会自动地选择下降维数； ✓ 如果 n_components...

一、代码实现与示例 1. 代码实现 from scipy.cluster.hierarchy import dendrogram, linkage,fcluster ◆ z=linkage(y, method=’single’, metric=’euclidean’) #聚类结果 ➢ y:数据矩阵, ➢ method:衡量簇与簇之间的远近程度的方法，主要有‘single:’：最小距 离； ‘complete’：最大距离；‘average’：平均距离 ➢ Metric 距离度量:，

1.实现代码 from sklearn import discriminant_analysis as da da.LinearDiscriminantAnalysis(solver='svd', shrinkage=None, priors=None, n_compo nents=None) ➢ solver：逆矩阵求解方式，‘svd‘(默认), ’lsqr‘, ’eigen‘(数据稀疏时使用) ➢ Shrinkage：收缩系数，当数据稀疏时配合’lsqr‘, ’eigen‘使用：’

1. 经典的线性回归分析与交叉验证examDict={' 学习时 ':[0.50, 0.75, 1.00, 1.25,1.50,1.75, 1.75,2.00, 2.25,2.50,2.75,3.00,3.25,3.50,4.00,4.25,4.50,4.75,5.00,5.50], '分':[10,22,13 ,43,20,22,33,50,62 ,48,55,75,62,73,81,76,64,82,90,93]}examDf = pd.DataFrame(examDict)X_trai

1、设计一个圆类,包括圆心位置、半径、颜色等属性。编写构造方法, 计算周长和面积.import mathclass yuan: def __init__(self,o,r,yanse): self.o=o self.r=r self.yanse=yanse def length(self): C=math.pi*2*self.r return C def area(self): ...