摘要： 一、逻辑回归 ### 逻辑回归（分类） ~~~ 例如，零或一， True 或False ，是或否，猫或狗，或者它可以是两个以上的分类值； ~~~ 例如，红色，蓝色或绿色，或一，二，三，四或五。 ~~~ 标签通常具有与之相关的概率； 例如， P(cat = 0.92) ，P(dog = 0.08) 。 阅读全文

摘要： NO： Walter Savage Landor:strove with none,for none was worth my strife.Nature I loved and, next to Nature, Art:I warm'd both hands before the fire of 阅读全文

摘要： 一、线性回归 ### 线性回归 ~~~ 线性回归是在给定一个或多个其他变量（数据点）的值的情况下，预测一个连续变量的值的问题。 ~~~ 例如，根据房屋的占地面积，预测房屋的售价。 ~~~ 在这个示例中，您可以将已知特征及其关联的标签绘制在简单的线性图上， ~~~ 如x, y 散点图，并在此基础上拟合 阅读全文

摘要： 一、课程大纲 ### TensorFlow 监督学习算法 ~~~ # KNN（K最近邻算法） ~~~ 导入相关包 ~~~ 数据处理 ~~~ 划分数据集 ~~~ 建模 ### 线性回归 ~~~ 通过TensorFlow 实现线性回归 ~~~ 通过TensorFlow 预测房价 ### 逻辑回归（分类） 阅读全文

摘要： NO： Walter Savage Landor:strove with none,for none was worth my strife.Nature I loved and, next to Nature, Art:I warm'd both hands before the fire of 阅读全文

摘要： 一、舆情分析 ### 舆情分析 ~~~ # 文本挖掘基本流程 ~~~ # 使用的数据是评论数据，即文本数据。 ~~~ # 文本数据的分析过程主要有：清洗，可视，这里针对中文文本。 ~~~ 清洗基本流程： ~~~ 替换非中英文字符为空格； ~~~ 分词(结巴jieba)； ~~~ 去掉停用词(对描述和 阅读全文

摘要： NO： Walter Savage Landor:strove with none,for none was worth my strife.Nature I loved and, next to Nature, Art:I warm'd both hands before the fire of 阅读全文

摘要： 一、市场机会点 ### 市场机会点 ~~~ # 业务逻辑 ~~~ # 子类目市场确定后(灭鼠杀虫剂市场): ~~~ 确定市场中最受欢迎的产品类别–>细分价格段–>属性进一步分析： ~~~ 什么样的价格作为主市场，什么样的商品符合大众口味。 ~~~ # 不同用途的商品定位: ~~~ 引流商品：价格低， 阅读全文

摘要： 一、竞争分析 ### 竞争分析 ~~~ 依据之前的top100品牌数据，分析市场份额前三的商家：拜耳，科凌虫控，安速。 ### 分析流程 ~~~ 人群画像分析：三个品牌的人群特征基本一致（这里省略）。 ~~~ 品类分布：依据各个商家产品类别和适用对象的分布， ~~~ 理解每个品牌的产品分布情况（横向 阅读全文

摘要： 一、电商文本挖掘 ### 电商文本挖掘 ~~~ # 业务背景 ~~~ # 分析流程概述 ~~~ 某电商产品数据分析流程： ~~~ 每个环节都有具体的要求,例如需求文档要求包含:目的,分析思路,预期效果。 ~~~ 业务部门出问题和需求,以及对算法&数据部门输出报告的理解和应用。 ### 中台介绍 ## 阅读全文

摘要： 一、驱虫市场的潜力分析 ### 驱虫市场的潜力分析 import glob import os import pandas as pd import re import numpy as np import datetime as dt from sklearn.linear_model impor 阅读全文

摘要： 一、数据介绍 ### 数据介绍 ~~~ # 数据来源 ~~~ 美国某保险公司，该公司的一款医疗产品准备上市。 ~~~ # 商品介绍 ~~~ 这是一款针对65岁人群推出的医疗附加险，销售渠道是直邮。 ~~~ # 商业目的 ~~~ 为该产品做用户画像，找到最具购买倾向的人群进行营销。 ~~~ 本次案例数 阅读全文

摘要： 一、案例分析 ### 案例分析 ~~~ 我们可以大概判别哪些特征很可能和用户是否购买保险会有相关关系。 ~~~ 也可以结合我们的业务经验，以及数据可视化，特征工程方法，先行探索一下， ~~~ 这些特征中哪些特征更重要一些。 ~~~ 可以在建模之后，再回顾我们这里认为比较重要或不重要的特征，看一下判断 阅读全文

摘要： 一、项目实战：用户分类 ### 用户分类(决策树) ### 行业背景 ### 业务环境 ~~~ # 宏观 ~~~ 中国是世界第二大保险市场，但在保险密度上与世界平均水平仍有明显差距。 ~~~ # 业界 ~~~ 保险行业2018年保费规模为3.8万亿，同比增长不足4%， ~~~ 过去"短平快"的发展模 阅读全文

摘要： 一、案例：基于轮廓系数来选择n_clusters ### 案例：基于轮廓系数来选择n_clusters ~~~ 我们通常会绘制轮廓系数分布图和聚类后的数据分布图来选择我们的最佳 n_clusters。 from sklearn.cluster import KMeans from sklearn.m 阅读全文

摘要： 一、聚类算法的模型评估指标：轮廓系数 ### 聚类算法的模型评估指标：轮廓系数 ~~~ 不同于分类模型和回归，聚类算法的模型评估不是一件简单的事。 ~~~ 在分类中，有直接结果（标签）的输出，并且分类的结果有正误之分， ~~~ 所以我们使用预测的准确度，混淆矩阵，ROC 曲线等等指标来进行评估， ~ 阅读全文

摘要： 一、使用sklearn实现K-Means ### 使用sklearn实现K-Means class sklearn.cluster.KMeans (n_clusters=8, init=’k-means++’, n_init=10, max_iter=300, tol=0.0001, precomp 阅读全文

摘要： 一、Python实现 ### Python实现 ~~~ 现在我们尝试用手写 Python 代码来实现 Kmeans 算法。 import numpy as np import pandas as pd import matplotlib.pyplot as plt from IPython.core 阅读全文

摘要： 一、无监督学习算法 ### 无监督学习算法 ~~~ 决策树、线性和逻辑回归都是比较常用的机器学习算法，他们虽然有着不同的功能， ~~~ 但却都属于“有监督学习” 的⼀部分， ~~~ 即是说，模型在训练的时候，即需要特征矩阵X，也需要真实标签y。 ~~~ 机器学习当中，还有相当⼀部分算法属于 “无监督 阅读全文