Python机器学习实验集锦（算法核心知识点实验分析） from Udemy

What's inside

Learning objectives

机器学习核心知识点实验分析
Sklearn工具包核心函数实战
机器学习算法参数效果对比分析
机器学习模型效果可视化展示

机器学习模型融合策略对比
线性回归，逻辑回归，决策树，集成算法，支持向量机等算法实验分析对比
机器学习建模常用套路
算法决策边界可视化展示

机器学习核心知识点实验分析
Sklearn工具包核心函数实战
机器学习算法参数效果对比分析
机器学习模型效果可视化展示
机器学习模型融合策略对比
线性回归，逻辑回归，决策树，集成算法，支持向量机等算法实验分析对比
机器学习建模常用套路
算法决策边界可视化展示

Syllabus

机器学习模型评估方法

klearn工具包简介

数据集切分

交叉验证的作用

交叉验证实验分析

混淆矩阵

评估指标对比分析

阈值对结果的影响

ROC曲线

课程数据代码下载（谷歌网盘）

线性回归实验分析

实验目标分析

参数直接求解方法

预处理对结果的影响

梯度下降模块

学习率对结果的影响

随机梯度下降得到的效果

MiniBatch方法

不同策略效果对比

多项式回归

模型复杂度

样本数量对结果的影响

正则化的作用

岭回归与lasso

实验总结

逻辑回归实验分析

逻辑回归实验概述

概率结果随特征数值的变化

可视化展示

坐标棋盘制作

分类决策边界展示分析

多分类-softmax

聚类算法实验分析

Kmenas算法常用操作

聚类结果展示

建模流程解读

不稳定结果

评估指标-Inertia

如何找到合适的K值

轮廓系数的作用

Kmenas算法存在的问题

应用实例-图像分割

DBSCAN算法

决策树实验分析

树模型可视化展示

决策边界展示分析

树模型预剪枝参数作用

回归树模型

集成算法实验分析

构建实验数据集

硬投票与软投票效果对比

Bagging策略效果

集成效果展示分析

OOB袋外数据的作用

特征重要性热度图展示

Adaboost算法概述

Adaboost决策边界效果

GBDT提升算法流程

集成参数对比分析

模型提前停止策略

停止方案实施

堆叠模型

支持向量机实验分析

支持向量机所能带来的效果

决策边界可视化展示

软间隔的作用

非线性SVM

核函数的作用与效果

关联规则实战分析

关联规则概述

支持度与置信度

提升度的作用

Python实战关联规则

数据集制作

电影数据集题材关联分析

探索性分析-爱彼迎数据集分析与建模

数据与任务分析

提取月份信息进行统计分析

房价随星期变化的可视化展示

房屋信息指标分析

提取房屋常见设施

房屋规格热度图分析

预处理与建模准备

随机森林与LightGBM

训练与评估

图像特征聚类分析实践

数据与任务流程分析

图片数据导入

图像特征编码

数组保存与读取

得出聚类结果

聚类效果可视化展示

Activities

Be better prepared before your course. Deepen your understanding during and after it. Supplement your coursework and achieve mastery of the topics covered in Python机器学习实验集锦（算法核心知识点实验分析） with these activities:

阅读《机器学习实战》

Show steps

阅读《机器学习实战》可以帮助你更好地理解机器学习算法的原理和实现，并学习如何使用Python进行机器学习实验。

View Machine Learning in Action on Amazon

Show steps

选择感兴趣的章节进行阅读。
运行书中的示例代码，并尝试修改参数。
思考每个算法的优缺点和适用场景。

使用sklearn进行模型训练和评估

Show steps

通过使用sklearn进行模型训练和评估，可以加深对sklearn工具包的理解，并掌握模型评估的常用方法。

Show steps

选择一个sklearn内置数据集，如iris或digits。
使用sklearn中的模型，如线性回归、逻辑回归、决策树等，进行模型训练。
使用sklearn中的评估指标，如准确率、精确率、召回率、F1值等，对模型进行评估。
尝试调整模型参数，观察评估结果的变化。

阅读《统计学习方法》

Show steps

阅读《统计学习方法》可以帮助你深入理解机器学习算法的数学原理，为进一步研究机器学习打下基础。

View 统计学习方法 on Amazon

Show steps

选择感兴趣的章节进行阅读。
尝试推导书中的数学公式。
思考每个算法的适用场景和优缺点。

Three other activities

Expand to see all activities and additional details

Show all six activities

撰写博客文章：机器学习算法的参数调优

Show steps

撰写博客文章可以帮助你系统地整理和总结所学知识，并加深对机器学习算法参数调优的理解。

Show steps

选择一个你感兴趣的机器学习算法。
查阅资料，了解该算法的常用参数及其作用。
使用sklearn进行实验，观察不同参数对模型效果的影响。
撰写博客文章，总结参数调优的经验和技巧。

创建算法决策边界可视化展示

Show steps

创建算法决策边界可视化展示，可以帮助你更直观地理解算法的分类原理和效果。

Show steps

选择一个二分类数据集。
使用sklearn中的分类算法，如逻辑回归、支持向量机、决策树等，进行模型训练。
使用matplotlib或seaborn等可视化工具，绘制算法的决策边界。
分析决策边界的形状和特点。

项目：使用机器学习算法进行房价预测

Show steps

通过完成一个完整的机器学习项目，可以巩固所学知识，并提高解决实际问题的能力。

Show steps

收集房价数据集，如Kaggle上的房价预测比赛数据集。
进行数据预处理，包括缺失值处理、特征工程等。
选择合适的机器学习算法进行模型训练。
对模型进行评估和调优。
将模型部署到线上，实现房价预测功能。

Career center

Learners who complete Python机器学习实验集锦（算法核心知识点实验分析） will develop knowledge and skills that may be useful to these careers:

Python机器学习实验集锦（算法核心知识点实验分析）

What's inside

Learning objectives

Syllabus

Save this course

Activities

Career center

Reading list

Share

Similar courses