happygril3

摘要： #CPA 无监督,不利用类别标签from sklearn.decomposition import PCAdata_CPA=PCA(n_components=2).fit_transform(iris.data)# print('data_CPA',data_CPA)#线性判别法 有监督,利用数据的 阅读全文

摘要： #特征选择# (1)filter#1.1 方差：先要计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征from sklearn.feature_selection import VarianceThresholddata_var=VarianceThreshold(threshold=3).f 阅读全文

摘要： from sklearn.datasets import load_irisiris=load_iris()#Z-score 数据标准化from sklearn.preprocessing import StandardScalerdata_standard=StandardScaler().fit 阅读全文

摘要： 误差（泛化误差）=偏差(bias),+方差(variance) +噪声(noise) 偏差：【预测值-真实值的偏离程度】--【算法的拟合能力】--boosting Boosting使loss减少，可以降低bias。这里的模型之间并不独立，所以不能显著减少variance 方差：【结果的波动程度】-- 阅读全文

摘要： 意义： 1. 数据的量纲不同，数量级别差别很大 2. 平衡各特征的贡献：距离、协方差，是因为要使各特征贡献一致所以使用标准化 3. 加快梯度下降求最优解的速度 方法： 1.min-max标准化： 比较适用在数值比较集中的情况 不涉及距离度量、协方差计算、数据不符合正太分布的时候 2. z-score 阅读全文