0x00 內(nèi)容 學習內(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)對象之間的關系，將數(shù)據(jù)進行分...
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，哪些方面的改進和有益實踐，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。 目標有兩個： 了解哪些方面的因素，會對...
-
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 實踐：代碼實現(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 實踐：代碼實現(xiàn)及sklearn邏輯回歸 0x01 邏輯回歸 邏輯回歸（Logistic Regression，LR），LR...
-
五：常用圖表對比（20191209-15)0x00 目標 對比可視化中最常用的幾種圖表，區(qū)分它們的異同點及其適用的場景。 0x01 常用圖表對比 以例子「可視化目標→數(shù)據(jù)集準備→圖表選擇和對比→經(jīng)驗總結」的方式做對比...
-
五：最優(yōu)化方法：梯度下降（20191202-1208)0x00 內(nèi)容 梯度下降：實現(xiàn)梯度下降、線性回歸中的梯度下降 隨機梯度下降：相關代碼即調(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：對進度、關系、地理信息進行可視化（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，熟練使用「條形進度圖、儀表盤、環(huán)形進度圖」表示數(shù)據(jù)的進度和定量指標的定性化； 關系型數(shù)據(jù)：了解數(shù)據(jù)之間常見的關系類型，能熟練...
-
四：線性回歸算法（20191125-1201)0x00 目標 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 實踐：簡單線性回歸實現(xiàn)及向量化應用 多元線性回歸：多選線性回歸和正規(guī)方程解及實現(xiàn) 0x01 簡單線性回歸...
-
三：「對比型數(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。 「對比型數(shù)據(jù)」：對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 時序數(shù)據(jù)可視化 時序數(shù)據(jù)，是指任何隨著時間而變化的數(shù)據(jù)。 要進行時序數(shù)據(jù)的可視化，我們首先需要了解「時間」所具有的特征： 有序性：時間都是...
-
一：解構數(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，而是一個以數(shù)據(jù)流向為主線的一個完整流程，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。一個完整的可視化過...
-
三：簡單數(shù)據(jù)預處理和特征工程（20191118-24)0x00 目標 學習目標有四個： 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：評價模型的好壞（20191111-17)0x00評價模型的好壞 1.數(shù)據(jù)拆分：訓練數(shù)據(jù)集&測試數(shù)據(jù)集 2.評價分類結果：精準度、混淆矩陣、精準率、召回率、F1 Score、ROC曲線等 3.評價回歸結果：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個最近的鄰居的意思。也就是在數(shù)據(jù)集中，認為每個樣本可以用離...