-
编辑 删除
用python客户价值分析案例一则
一个完整的数据分析项目由如下几个步骤组成：1)数据获取：分为本地文本文件、数据库链接、爬虫技术等方式获取数据；2)数据存储:存到本文本文件、数据库、分布式文件系统等；3)数据预处理：据经验，占80%的工作量。可以使用Numpy和Pandas这两个工具库；4)建模与分析：这一阶段首先要清楚数据的结构，结合项目需求来选取模型，常见的数据挖掘模型有如下图所示： &nbs
-
编辑 删除
sklearn建模及评估（回归）
回归算法的实现过程与分类算法类似，区别在于分类算法的标签是分离散的（字符型分类而不是数值性），而回归算法的标签是连续的（数值性）。常用的有linear_model、svm、neighbors、tree、ensemble（RandomForestClassifier）、ensemble(GradientBoostingClassifier)等。 &nbs
-
编辑 删除
sklearn建模及评估（分类）
分类是指构造一个分类模型，输入样本的特征值，输入出对应的类别，将每个样本映射到预先定义好的类别。Sklearn中分类算法很多，用于不同场景，常用的有linear_model、svm、neighbors、naïve_bayes、tree、ensemble（RandomForestClassifier）、ensemble(GradientB
-
编辑 删除
sklearn建模及评估（聚类）
作为机器学习工具的sklearn，它主要作用是构建模型和评估。其主要的模型分为聚类、分类、回归等，而没有模型也有适应不同场景的多个算法。接下来我们从这几点进行简要总结。1、聚类模型 聚类的输入是一组未被标记（所谓target值或lable）的样本，聚类根据数据自身的距离或相似度将它们划分为若干组。
-
编辑 删除
sklearn基础及数据处理
sklearn库整合了多种机器学习算法，可在数据分析过程快速建立模型。通过pandas库虽然已经提供数据合并、清洗、标准化（离差标准化、标准差标准化、小数定标标准化），为构建机器学习模型对数据特征还需处理更多预处操作，因此sklearn将相关预处理功能封装为统一接口---转换器（Transformer）。使用sklearn转换器能够实现对传入的NumPy数组进行标准化处理
-
编辑 删除
python入门总结(数据分析方向)
随着Python自身功能的完善以及生态系统的扩展，Python在Web开发、网络爬虫、数据分析与数据挖掘、人工智能等应用方面逐渐崭露头角。回顾phthon演变史，主要如下介个阶段：
-
编辑 删除
python入门总结(数据分析方向)
随着Python自身功能的完善以及生态系统的扩展，Python在Web开发、网络爬虫、数据分析与数据挖掘、人工智能等应用方面逐渐崭露头角。回顾phthon演变史，主要如下介个阶段：
-
编辑 删除
python环境链接Oracle数据库
最近开始学python，发现链接Oracle数据库也是非常简单。如下代码链接成功前提是在配置之前需要安装Oracle客户端程序。
