0x00 內(nèi)容 學(xué)習(xí)內(nèi)容：無監(jiān)督聚類算法K-Means k-means：模型原理、收斂過程、超參數(shù)的選擇 0x01聚類 聚類分析是在數(shù)據(jù)中發(fā)現(xiàn)數(shù)據(jù)對(duì)象之間的關(guān)系，將數(shù)據(jù)進(jìn)行分...
發(fā)簡信
IP屬地：廣東
-
八：聚類算法K-means（20191223-29) -
六：提升數(shù)據(jù)可視化的表現(xiàn)效果（20191216-22)0x00 內(nèi)容 如何提升數(shù)據(jù)可視化的表現(xiàn)效果 主要探討一下，哪些方面的改進(jìn)和有益實(shí)踐，可以使我們的數(shù)據(jù)可視化的呈現(xiàn)效果更加具有表現(xiàn)力。 目標(biāo)有兩個(gè)： 了解哪些方面的因素，會(huì)對(duì)...
-
七：決策樹（20191216-22)
0x00 內(nèi)容 決策樹：決策樹、信息熵、基尼系數(shù)、CART 實(shí)踐：代碼實(shí)現(xiàn)決策樹 0x01 決策樹 決策樹的建模思路是盡可能模擬人做決策的過程。幾乎沒有任何抽象，完全通過生成...
-
六：邏輯回歸：損失函數(shù)、梯度、決策邊界（20191209-20191215)0x00 內(nèi)容 邏輯回歸：損失函數(shù)、梯度、決策邊界 實(shí)踐：代碼實(shí)現(xiàn)及sklearn邏輯回歸 0x01 邏輯回歸 邏輯回歸（Logistic Regression，LR），LR...
-
五：常用圖表對(duì)比（20191209-15)0x00 目標(biāo) 對(duì)比可視化中最常用的幾種圖表，區(qū)分它們的異同點(diǎn)及其適用的場景。 0x01 常用圖表對(duì)比 以例子「可視化目標(biāo)→數(shù)據(jù)集準(zhǔn)備→圖表選擇和對(duì)比→經(jīng)驗(yàn)總結(jié)」的方式做對(duì)比...
-
五：最優(yōu)化方法：梯度下降（20191202-1208)0x00 內(nèi)容 梯度下降：實(shí)現(xiàn)梯度下降、線性回歸中的梯度下降 隨機(jī)梯度下降：相關(guān)代碼即調(diào)用 0x01梯度下降法（回顧四：0x04梯度下降法） 最小二乘法求損失函數(shù)的最小值，但...
-
四：對(duì)進(jìn)度、關(guān)系、地理信息進(jìn)行可視化（20191202-08)0x00 內(nèi)容 區(qū)間型數(shù)據(jù)：了解區(qū)間型數(shù)據(jù)的特點(diǎn)，熟練使用「條形進(jìn)度圖、儀表盤、環(huán)形進(jìn)度圖」表示數(shù)據(jù)的進(jìn)度和定量指標(biāo)的定性化； 關(guān)系型數(shù)據(jù)：了解數(shù)據(jù)之間常見的關(guān)系類型，能熟練...
-
四：線性回歸算法（20191125-1201)0x00 目標(biāo) 簡單線性回歸：回顧簡單線性回歸及最小二乘法的數(shù)據(jù)推導(dǎo) 實(shí)踐：簡單線性回歸實(shí)現(xiàn)及向量化應(yīng)用 多元線性回歸：多選線性回歸和正規(guī)方程解及實(shí)現(xiàn) 0x01 簡單線性回歸...
-
三：「對(duì)比型數(shù)據(jù)」、「分布型數(shù)據(jù)」可視化和數(shù)據(jù)特征和測度（20191125-1201)0x00 可視化圖表選擇 兩類不同的可視化目的及其可選擇的圖表形式。 「對(duì)比型數(shù)據(jù)」：對(duì)比兩組或兩組以上數(shù)據(jù)的差異。 「分布型數(shù)據(jù)」：研究數(shù)據(jù)分布的集中趨勢、離散程度、偏態(tài)和...
-
二：「時(shí)序數(shù)據(jù)」與「比例數(shù)據(jù)」可視化（20191118-24)0x00 可視化圖表選擇 0x01 時(shí)序數(shù)據(jù)可視化 時(shí)序數(shù)據(jù)，是指任何隨著時(shí)間而變化的數(shù)據(jù)。 要進(jìn)行時(shí)序數(shù)據(jù)的可視化，我們首先需要了解「時(shí)間」所具有的特征： 有序性：時(shí)間都是...
-
一：解構(gòu)數(shù)據(jù)可視化（20191111-17)0x00 可視化 數(shù)據(jù)可視化不是簡單的視覺映射，而是一個(gè)以數(shù)據(jù)流向?yàn)橹骶€的一個(gè)完整流程，主要包括：數(shù)據(jù)采集、數(shù)據(jù)處理和變換、可視化映射、用戶交互和用戶感知。一個(gè)完整的可視化過...
-
三：簡單數(shù)據(jù)預(yù)處理和特征工程（20191118-24)0x00 目標(biāo) 學(xué)習(xí)目標(biāo)有四個(gè)： 無量綱化：最值歸一化、均值方差歸一化及sklearn中的Scaler； 缺失值處理； 處理分類型特征：編碼與啞變量； 處理連續(xù)型特征：二值化...
-
二：評(píng)價(jià)模型的好壞（20191111-17)0x00評(píng)價(jià)模型的好壞 1.數(shù)據(jù)拆分：訓(xùn)練數(shù)據(jù)集&測試數(shù)據(jù)集 2.評(píng)價(jià)分類結(jié)果：精準(zhǔn)度、混淆矩陣、精準(zhǔn)率、召回率、F1 Score、ROC曲線等 3.評(píng)價(jià)回歸結(jié)果：MSE、R...
-
第一期：kNN算法（20191104-20191110)
0x00kNN思想 kNN(k-NearestNeighbor)，也就是k最近鄰算法。顧名思義，所謂K最近鄰，就是k個(gè)最近的鄰居的意思。也就是在數(shù)據(jù)集中，認(rèn)為每個(gè)樣本可以用離...