【机器学习】

0/前言 1/K-Means类概述 2/KMeans类主要参数 3/MiniBatchKMeans类主要参数 4/K值的评估标准 5/运用实例

1/前言 这篇博文主要介绍k-means聚类算法的基本原理以及它的改进算法k-means++的原理及实现步骤，同时文章给出了sklearn机器学习库中对k-means函数的使用解释和参数选择 2/K-

1/前言 2/K-means聚类算法 3/K-means算法实现过程 4/k-means优缺点 <1>优点 <2>缺点 6/k-means++算法 7/k-means++算法如何选择初始聚类中心

1/概述 2/核心思想 3/算法实现步骤 4/算法步骤图解 5/K-means算法的专业术语： 6/K-means算法优缺点 7/ k-means聚类算法有2个难点 8/k-means算法的细节问题

1/逻辑回归 与 线性回归 的区别联系 <1>逻辑回归和线性回归首先都是广义的线性回归。 <2>经典线性模型的优化目标函数是最小二乘，而逻辑回归则是似然函数 <3>线性回归在整个实数域范围内进行预测，

1/实战背景 使用Logistic回归来预测患疝气病的马的存活问题，数据包含了368个样本和28个特征； 除了部分指标主观和难以测量外，该数据还存在一个问题，数据集中有30%的值是缺失的。 如何处理数

前言 0/简介 1/ 逻辑回归 和 线性回归的概念和区别 2/ lr逻辑回归的分类 3/lr逻辑回归的表达公式 4/ 如何计算每个特征的权重 <1>梯度上升法 <2>随机梯度上升法

总结 Scikit-learn 中的 VotingClassifier 参数 estimators: 一个列表，其中包含元组 (string, estimator)，其中 string 是分类器的名称

前言```python from sklearn.ensemble import GradientBoostingClassifier 全部参数 GradientBoostingClassifier(

前言 LightGBM是个快速的，分布式的，高性能的基于决策树算法的梯度提升框架。 可用于排序，分类，回归以及很多其他的机器学习任务中。

参考网址 https://juejin.cn/post/7077577716110721061?searchId=2024012514531412709F89E68AB788D4DB

总结 demo <2>基于Scikit-learn接口的回归 3/LightGBM调参 5/场景之银行预测贷款客户是否会违约

0/前言 1/LightGBM分类和回归 2/分类任务 <1>基于LightGBM原生接口的分类 <2>基于Scikit-learn接口的分类 3/回归任务 <1>基于LightGBM原生接口的回归

在 sklearn 中，进行数据的标准化和归一化通常可以使用以下几种常见的方法： 标准化（Standardization）** ： 归一化（Normalization）** ： 总结

衡量模型效果的指标 demo衡量模型效果的指标 demo衡量模型效果的指标 demo衡量模型效果的指标 demo衡量模型效果的指标 demo

什么是模型的泛化能力 举一反三举一反三举一反三举一反三举一反三举一反三举一反三举一反三举一反三举一反三举一反三举一反三举一反三

在机器学习模型中，假如某个真实场景下，正样本很少，负样本很多。那么我在准备样本数据来训练模型的时候，正样本和负样本的比例，是不是应该和现实生活中保持一致呢 一/考虑因素 应用场景： 如果你的模型需要高

AdaBoost、XGBoost和LightGBM都是集成学习算法，它们之间既存在区别也有联系。以下是对这三者之间区别和联系的详细分析： 区别 1. 算法原理 AdaBoost：AdaBoost是Ad

adaboost既可以分类，也可以回归。 本问主要讲解分类。 adaboost在分类的时候，主要用的是cart分类决策树。

adaboost适合用来解决回归的问题吗 是的，AdaBoost 也可以用来解决回归问题，尽管它最初是为分类问题设计的。在回归场景下，AdaBoost 被称为 AdaBoost.R2（其中 "R2"