目录
多项式回归(波士顿房价预测)
一、导入模块
二、获取数据
三、训练模型3.1 报告决定系数
四、可视化
更新、更全的《机器学习》的更新网站，更有p
标签：人工智能
目录
对数线性回归(波士顿房价预测)
一、导入模块
二、获取数据
三、训练模型
四、可视化
更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬
目录
正则化线性回归(波士顿房价预测)
一、导入模块
二、获取数据
三、训练模型
四、可视化
更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、
目录
RANSAC算法线性回归(波斯顿房价预测)
一、RANSAC算法流程
二、导入模块
三、获取数据
四、训练模型
五、可视化
更新、更全的《机器学习》
目录
逻辑回归
一、逻辑回归学习目标
二、逻辑回归引入
三、逻辑回归详解3.1 线性回归与逻辑回归
3.2 二元逻辑回归的假设函数3.2.1 让步比
3.2.2 Sigmoi
目录
Softmax回归
一、Softmax回归详解1.1 让步比
1.2 不同类之间的概率分布
1.3 目标函数
1.4 目标函数最大化
二、Softma
目录
scikit-learn库之逻辑回归
一、LogisticRegression1.1 使用场景
1.2 代码
1.3 参数详解
1.4 属性
1.5 方法
目录
Logistic回归(鸢尾花分类)
一、导入模块
二、获取数据
三、构建决策边界
四、训练模型4.1 C参数与权重系数的关系
五、可视化
目录
k近邻算法
一、k近邻算法学习目标
二、k近邻算法引入
三、k近邻算法详解3.1 k近邻算法三要素3.1.1 k值的选择
3.1.2 最近邻算法
3.1.3 距离度量的
目录
kd树
一、kd树学习目标
二、kd树引入
三、kd树详解3.1 构造kd树3.1.1 示例
3.2 kd树搜索3.2.1 示例
目录
scikit-learn库之k近邻算法
一、KNeighborsClassifier1.1 使用场景
1.2 代码
1.3 参数详解
1.4 方法1.4.1 kneighbors([X
目录
k近邻算法(鸢尾花分类)
一、导入模块
二、获取数据
三、构建决策边界
四、训练模型
五、构图
更新、更全的《机器学习》的更新网站，更有python
目录
kd树(鸢尾花分类)
一、导入模块
二、获取数据
三、构建决策边界
四、训练模型
五、可视化
更新、更全的《机器学习》的更新网站，更有python、
目录
决策树ID3算法
一、决策树ID3算法学习目标
二、决策树引入
三、决策树ID3算法详解3.1 if…else和决策树
3.2 信息增益
四、决策树I
目录
决策树C4.5算法
一、决策树C4.5算法学习目标
二、决策树C4.5算法详解2.1 连续特征值离散化
2.2 信息增益比
2.3 剪枝
2.4 特征值加权
目录
决策树CART算法
一、决策树CART算法学习目标
二、决策树CART算法详解2.1 基尼指数和熵
2.2 CART算法对连续值特征的处理
2.3 CART算法对离散值特征的处理
目录
决策树总结
一、ID3算法、C4.5算法和CART算法比较
二、决策树优缺点2.1 优点
2.2 缺点
更新、更全的《机器学习》的更新网站，更有python、go
目录
scikit-learn库之决策树
一、DecisionTreeClassifier1.1 使用场景
1.2 代码
1.3 参数详解
1.4 属性
1.5 方法
目录
决策树(鸢尾花分类)
一、导入模块
二、获取数据
三、构建决策边界
四、训练模型
五、可视化
六、可视化决策树
更新、更全的《机器学
目录
朴素贝叶斯
一、朴素贝叶斯学习目标
二、朴素贝叶斯引入
三、朴素贝叶斯详解3.1 朴素贝叶斯构造
3.2 朴素贝叶斯基本公式
3.3 朴素贝叶斯参数估计3.3.1 特征
客服
