机器学习和数据挖掘推荐书单
机器学习和数据挖掘推荐书单 有了这些书，再也不愁下了班没妹纸该咋办了。慢慢来，认真学，揭开机器学习和数据挖掘这一神秘的面纱吧！ 《机器学习实战》：本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic ...
原文：Python机器学习笔记：使用sklearn做特征工程和数据挖掘
特征处理是特征工程的核心部分，特征工程是数据分析中最耗时间和精力的一部分工作，它不像算法和模型那样式确定的步骤，更多的是工程上的经验和权衡，因此没有统一的方法，但是sklearn提供了较为完整的特征处理方法，包括数据预处理，特征选择，降维等。首次接触到sklearn，通常会被其丰富且方便的算法模型库吸引，但是这里介绍的特征处理库也非常强大 经过前人的总结，特征工程已经形成了接近标准化的流程，如下 ...
2019-02-16 16:27 0 4081 推荐指数：
相关推荐
谈谈数据挖掘和机器学习
谈谈数据挖掘和机器学习 又是好长时间没有写博客了，最近周末事情太多，明天劳动节终于可以让我们劳动人民休息一天了。首先声明的是本人并非数据挖掘和机器学习的高手，只是作为业余兴趣刚刚开始研究，据我所知好多朋友也和我一样对这方面的东西感兴趣，个人认为机器人技术是未来发展的方向。虽然我的专业是软件开发 ...
数据挖掘和机器学习概述
一、数据挖掘任务 数据挖掘常见的六大任务： 1.分类问题 2.聚类问题 3.回归问题 4.关联问题 5.序列问题 6.异常检测 二、数据挖掘流程 CRISP-DM：跨行业数据挖掘标准流程 ...
我的机器学习/数据挖掘的书单
李航的《统计学习方法》 这本书开篇第一章写得特别好，各个模型的算法推导也比较全，基本涵盖了比较经典的判别模型和生成模型。 《机器学习实战》 这本书代码和应用特别多，了解python用法和机器学习算法的代码实现非常方便。 项亮的《推荐系统实践》 这本书个人感觉偏理论一点，伪代码 ...
总结一下国内搞机器学习和数据挖掘的大牛
之前自己一直想总结一下国内搞机器学习和数据挖掘的大牛，但是自己太懒了。所以没搞...最近看到了下面转载的这篇博文，感觉总结的比较全面了。个人认为，但从整体研究实力来说，机器学习和数据挖掘方向国内最强的地方还是在MSRA，那边的相关研究小组太多，很多方向都能和数据挖掘扯上边。这里我再补充几个相关 ...
Python数据挖掘-使用sklearn包
使用sklearn包 CountVectorizer是通过fit_transform函数将文本中的词语转换为词频矩阵 get_feature_names()可看到所有文本的关键字 vocabulary_可看到所有文本关键字和其位置 toarray()可以看到词频矩阵 ...
数据挖掘——特征工程
特征工程（Feature Engineering） 特征工程其本质上是一项工程活动，它的目的是最大限度地从原始数据中提取特征以供算法和模型使用。 特征工程的重要性： 特征越好，灵活性越强 特征越好，模型越简单 特征越好，性能越出色 数据和特征决定了机器学习的上限 ...
Python数据挖掘—特征工程—特征选择
如何选择特征 根据是否发散及是否相关来选择 方差选择法 先计算各个特征的方差，根据阈值，选择方差大于阈值的特征 方差过滤使用到的是VarianceThreshold类，该类有个参数threshold，该值为最小方差的阈值，然后使用fit_transform进行特征值过滤 相关系数法 ...