背景

之前我们用过决策树算法，决策树有一些缺点，其中有一个就是训练方法很高，在这里，我们使用bagging技术来改进决策树模型，并且还会用到随机森林。

背景

4年一届的奥运会又过去了，让我们用数据看看中国在2016年里约奥运会取得的成绩吧。

背景

聚类分析的目的是将观测数据聚为若干个簇（cluster）。与其他簇的数据相比，簇中的每个数据和本簇的数据更加相似。这里讨论两种方法：层次聚类和k-means聚类算法。

背景

Logistic回归通常情况下会用在分类问题中，一般是二分类问题。Logistic回归直接将预测限定在（0， 1）区间内，因此也可以将它理解为线性回归的归一化。

背景

线性回归是一种最基本的预测方法。线性回归根据数值型或类别型输入（称为自变量）建模一个数值型的期望值（称作因变量）。

简介

可视化简单的来说就是用图形检查数据。图形可以弥补一些统计概要发现不了的问题。

概念介绍

支持向量机(support vector machines, SVM)是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。

题目

You are given two linked lists representing two non-negative numbers. The digits are stored in reverse order and each of their nodes contain a single digit. Add the two numbers and return it as a linked list.

Input: (2 -> 4 -> 3) + (5 -> 6 -> 4)

Output: 7 -> 0 -> 8

概念介绍

回归指的是假设现在有一些数据点，我们用一条直线对这些点进行拟合，这个拟合过程叫回归。利用Logistic回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。

优点：计算代价不高，易于理解和实现。

缺点：容易欠拟合，分类精度可能不高。

适用数据类型：数值型和标称型数据。

基本概念

朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。其中朴素指的就是特征条件独立，贝叶斯指的是基于贝叶斯定理。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。