摘要： 一、简单额线性回归 解决回归问题 思想简单、实现容易 许多强大的非线性模型的基础 结果具有很好的可解释性 蕴含机器学习中的很多重要思想 二、最小二乘法 三、简单线性回归的实现 SimpleLinearRegression.py 四、向量化 五、衡量线性回归法的指标：MSE、RMS 和 MAE met 阅读全文

摘要： 六、网格搜索与 K 邻近算法中更多的超参数 七、数据归一化 Feature Scaling 解决方案：将所有的数据映射到同一尺度 八、scikit-learn 中的 Scaler preprocessing.py 九、更多有关 K 近邻算法的思考 优点： 解决分类问题 天然可以解决多分类问题 思想简 阅读全文

摘要： 一、K近邻算法基础 KNN K近邻算法 K-Nearest Neighbors 思想极度简单 应用数学知识少 （近乎为零） 效果好（缺点？） 可以解释机器学习算法使用过程中很多细节问题 更完整的刻画机器学习应用的流程 kNN的过程 二、scikit-learn 中的机器学习算法封装KNN/KNNN. 阅读全文