05 2018 档案

pd库dataframe基本操作
摘要：一、查看数据（查看对象的方法对于Series来说同样适用） 1.查看DataFrame前xx行或后xx行 a=DataFrame(data); a.head(6)表示显示前6行数据，若head()中不带参数则会显示全部数据。 a.tail(6)表示显示后6行数据，若tail()中不带参数则也会显示全 阅读全文
posted @ 2018-05-31 16:22 我不是小鲁班 阅读(30653) 评论(0) 推荐(1)
3—决策树
摘要：这个监督式学习算法通常被用于分类问题。令人惊奇的是，它同时适用于分类变量和连续因变量。在这个算法中，我们将总体分成两个或更多的同类群。这是根据最重要的属性或者自变量来分成尽可能不同的组别。想要知道更多，可以阅读：简化决策树。 阅读全文
posted @ 2018-05-24 16:02 我不是小鲁班 阅读(157) 评论(0) 推荐(0)
2—线性、逻辑回归
摘要：线性回归 线性回归通常用于根据连续变量估计实际数值（房价、呼叫次数、总销售额等）。我们通过拟合最佳直线来建立自变量和因变量的关系。这条最佳直线叫做回归线，并且用 Y= a *X + b 这条线性等式来表示。 在这个等式中： Y：因变量 a：斜率 x：自变量 b ：截距 系数 a 和 b 可以通过最小 阅读全文
posted @ 2018-05-24 10:12 我不是小鲁班 阅读(356) 评论(0) 推荐(0)
1—概述
摘要：广义来说，有三种机器学习算法 1、 监督式学习 工作机制：这个算法由一个目标变量或结果变量（或因变量）组成。这些变量由已知的一系列预示变量（自变量）预测而来。利用这一系列变量，我们生成一个将输入值映射到期望输出值的函数。这个训练过程会一直持续，直到模型在训练数据上获得期望的精确度。监督式学习的例子有 阅读全文
posted @ 2018-05-24 09:53 我不是小鲁班 阅读(169) 评论(0) 推荐(0)
win 7 系统过期处理办法
摘要：超级尴尬，刚装的win7 系统居然过期了。下次再也不装盗版了，吼吼吼 处理方法就是下载oem7F7 软件安装，不用再怎么操作就好了。 就是这么简单，并不用像网上那样找什么激活码。 阅读全文
posted @ 2018-05-23 15:05 我不是小鲁班 阅读(1117) 评论(0) 推荐(0)
Python数据处理（持续更新）
摘要：#打开txt文件 数据合并 数据聚合 csv数据合并： 读取片段： 按照列名读取 要把第三列数据中的0值删除，今天弄了好几个小时，写了个循环，还是不行，最后发现，只要选择数据中大于0的就可以了 另一种思路，是把该列中数据为0的值挑出来，然后给赋值成nan，再用下面代码将nan值删除 字符串数据转换成 阅读全文
posted @ 2018-05-14 17:28 我不是小鲁班 阅读(1797) 评论(0) 推荐(0)
GBDT梯度提升树算法及官方案例
摘要：梯度提升树是一种决策树的集成算法。它通过反复迭代训练决策树来最小化损失函数。决策树类似，梯度提升树具有可处理类别特征、易扩展到多分类问题、不需特征缩放等性质。Spark.ml通过使用现有decision tree工具来实现。 梯度提升树依次迭代训练一系列的决策树。在一次迭代中，算法使用现有的集成来对 阅读全文
posted @ 2018-05-09 10:32 我不是小鲁班 阅读(2499) 评论(0) 推荐(0)
广告数据线性回归分析
摘要：线性回归 线性回归是最基础的机器学习算法，它是用一条直线去拟合数据，适用于线性数据。 线性回归包括一元线性回归和多元线性回归，一元的是只有一个x和一个y。多元的是指有多个x和一个y。 （一元） （多元） 我们希望这些点尽量离这条直线近一点。即去找每个点和直线的距离 最小的那条线，为了简单起见，将绝对 阅读全文
posted @ 2018-05-08 15:50 我不是小鲁班 阅读(2482) 评论(0) 推荐(0)
python txt文件批处理
摘要：首先，切换文件路径到所在文件夹 然后，将txt文件内容按行读取，写入到all.txt #读取为DataFrame格式 阅读全文
posted @ 2018-05-07 21:20 我不是小鲁班 阅读(1706) 评论(0) 推荐(0)
Python数据可视化
摘要：https://blog.csdn.net/suzyu12345/article/details/69029106一篇很详细的博客 这里只画了不同特征之间关系的图，即用pairpoint函数，用到的数据是电影数据，上篇博客当中有下载链接，结果如下： 代码如下： 数据分布直方图 阅读全文
posted @ 2018-05-03 16:31 我不是小鲁班 阅读(577) 评论(0) 推荐(1)