摘要：
使用DBSCAN对环形数据做聚类 主要步骤流程： 1. 导入包 2. 生成数据并可视化 3. 使用DBSCAN做聚类并可视化 3.1 参数组合1 3.2 参数组合2 3.3 参数组合3 3.4 参数组合4 4. 使用K-Means做聚类并可视化 5. 打印调整兰德指数 1. 导入包 In [2]: 阅读全文
posted @ 2022-03-15 18:50
Theext
阅读(557)
评论(0)
推荐(0)
摘要：
使用轮廓系数评估超市客户分组效果 主要步骤流程： 1. 导入包 2. 导入数据集 3. 使用K-Means算法得到不同K值对应的WCSS4. 使用K-Means算法得到不同K值对应的轮廓系数 3.1 生成WCSS 3.2. 画出 K值 vs WCSS 图 4. 使用K-Means算法得到不同K值对应 阅读全文
posted @ 2022-03-15 18:41
Theext
阅读(981)
评论(0)
推荐(0)
摘要：
使用K-Means对超市客户分组 主要步骤流程： 1. 导入包 2. 导入数据集 3. 使用肘部法则选择最优的K值 4. 使用K=5做聚类 5. 可视化聚类效果 6. 采取措施 7. 瑞士卷生产及其聚类 数据集链接：https://www.heywhale.com/mw/dataset/623069 阅读全文
posted @ 2022-03-15 18:34
Theext
阅读(461)
评论(0)
推荐(0)
摘要：
使用支持向量机预测黑色星期五花销 主要步骤流程： 数据集链接：https://www.cnblogs.com/ojbtospark/p/16005660.html 1. 导入包 In [ ]: # 导入包 import numpy as np import pandas as pd 2. 导入数据集 阅读全文
posted @ 2022-03-15 18:22
Theext
阅读(230)
评论(0)
推荐(0)
摘要：
使用AdaBoost预测黑色星期五花销 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理 3.1 检测并处理缺失值 3.2 删除无用的列 3.3 检查类别型变量 3.4 标签编码&独热编码 3.5 得到自变量和因变量 3.6 拆分训练集和测试集 3.7 特征缩放 4. 使用不同的参数 阅读全文
posted @ 2022-03-15 18:06
Theext
阅读(653)
评论(0)
推荐(0)
摘要：
使用随机森林预测德国人信贷风险 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理 3.1 检测并处理缺失值 3.2 处理类别型变量 3.3 得到自变量和因变量 3.4 拆分训练集和测试集 3.5 特征缩放 4. 使用不同的参数构建随机森林模型 4.1 模型1：构建随机森林模型 4.1 阅读全文
posted @ 2022-03-15 17:33
Theext
阅读(379)
评论(0)
推荐(0)
摘要：
使用决策树预测德国人信贷风险 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理 3.1 检测并处理缺失值 3.2 处理类别型变量 3.3 得到自变量和因变量 3.4 拆分训练集和测试集 3.5 特征缩放 4. 使用不同的参数构建决策树模型 4.1 模型1：构建决策树模型 4.1.1 阅读全文
posted @ 2022-03-15 17:14
Theext
阅读(284)
评论(0)
推荐(0)
摘要：
基于逻辑回归预测客户是否购买汽车新车型ROC曲线 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理4. 构建逻辑回归模型 3.1 检测缺失值 3.2 生成自变量和因变量 3.3 查看样本是否均衡 3.4 将数据拆分成训练集和测试集 3.5 特征缩放 4.构建逻辑回归模型 5. 手工画 阅读全文
posted @ 2022-03-15 17:08
Theext
阅读(281)
评论(0)
推荐(0)
摘要：
基于逻辑回归预测客户是否购买汽车新车型 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理 3.1 检测缺失值 3.2 生成自变量和因变量 3.3 查看样本是否均衡 3.4 将数据拆分成训练集和测试集 3.5 特征缩放 4. 使用不同的参数构建逻辑回归模型 4.1 模型1：构建逻辑回归 阅读全文
posted @ 2022-03-15 17:06
Theext
阅读(261)
评论(0)
推荐(0)
摘要：
基于朴素贝叶斯预测客户是否购买汽车新车型 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理 3.1 检测缺失值 3.2 生成自变量和因变量 3.3 查看样本是否均衡 3.4 将数据拆分成训练集和测试集 3.5 特征缩放 4. 构建朴素贝叶斯模型做预测 4.1 构建模型并训练 4.2 阅读全文
posted @ 2022-03-15 17:01
Theext
阅读(191)
评论(0)
推荐(0)
摘要：
基于KNN预测客户是否购买汽车新车型 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理 3.1 检测缺失值 3.2 生成自变量和因变量 3.3 查看样本是否均衡 3.4 将数据拆分成训练集和测试集 3.5 特征缩放 4. 使用不同的参数构建KNN模型 4.1 模型1：构建KNN模型并 阅读全文
posted @ 2022-03-15 16:58
Theext
阅读(574)
评论(0)
推荐(0)
摘要：
使用LASSO回归根据多个因素预测医疗费用 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理 3.1 检测缺失值 3.2 标签编码&独热编码 3.3 得到自变量和因变量 3.4 拆分训练集和测试集 3.5 特征缩放 4. 构建不同参数的LASSO回归模型 4.1 模型1：构建LASS 阅读全文
posted @ 2022-03-15 16:54
Theext
阅读(827)
评论(0)
推荐(0)
摘要：
使用岭回归根据多个因素预测医疗费用 主要步骤流程： 数据集链接：https://www.cnblogs.com/ojbtospark/p/16005626.html 1. 导入包 In [1]: # 导入包 import numpy as np import pandas as pd import 阅读全文
posted @ 2022-03-15 16:47
Theext
阅读(314)
评论(0)
推荐(0)
摘要：
使用多项式回归根据年龄预测医疗费用 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理 3.1 检测缺失值 3.2 筛选数据 3.3 得到因变量 3.4 创建自变量 3.5 检验新的自变量和charges的相关性 3.6 拆分训练集和测试集 4. 构建多项式回归模型 4.1 构建模型 阅读全文
posted @ 2022-03-15 16:40
Theext
阅读(318)
评论(0)
推荐(0)
摘要：
使用多元线性回归根据多个因素预测医疗费用 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理 3.1 检测缺失值 3.2 标签编码&独热编码 3.3 得到自变量和因变量 3.4 拆分训练集和测试集 4. 构建多元线性回归模型 5. 得到模型表达式 6. 预测测试集 7. 得到模型MSE 阅读全文
posted @ 2022-03-15 16:34
Theext
阅读(433)
评论(0)
推荐(0)
摘要：
使用简单线性回归根据年龄预测医疗费用 主要步骤流程： 1. 导入包 2. 导入数据集 3. 数据预处理 3.1 检测缺失值 3.2 筛选数据 3.3 得到自变量和因变量 3.4 拆分训练集和测试集 4. 构建不同参数的简单线性回归模型 4.1 模型1：构建简单线性回归模型 4.1.1 构建简单线性回 阅读全文
posted @ 2022-03-15 16:29
Theext
阅读(339)
评论(0)
推荐(0)
摘要：
预处理黑色星期五数据（熟悉流程，后续文章有进行预测部分） 主要步骤流程： 1. 导入包和数据集 2. 处理缺失数据 3. 特征工程 4. 处理类别型字段 5. 得到自变量和因变量 6. 拆分训练集和测试集 7. 特征缩放 数据集链接：https://www.heywhale.com/mw/datas 阅读全文
posted @ 2022-03-15 16:28
Theext
阅读(119)
评论(0)
推荐(0)
浙公网安备 33010602011771号