本书适合有志于从事数据挖掘的初学者，需要的朋友可看看 第一部分 数据挖掘与机器学习数学基础3 第一章 机器学习的统计基础3 第二章 探索性数据分析（EDA） .11 第二部分 机器学习概述14 第三章 机器学习概述14 第三部分 监督学习---分类与回归16 第四章 KNN（k 最邻近分类算法） 16 第五章 决策树19 第六章 朴素贝叶斯分类29 第七章 Logistic 回归 .32 第八章 SVM 支持向量机42 第九章 集成学习(Esemble Learning)43 第十一章 模型评

该文档总结了常用的数据挖掘的算法原理以及Python实践内容，为初学者提供良好的参考资料，需要的朋友可看看！ 第一部分 数据挖掘与机器学习数学基础3 第一章 机器学习的统计基础3 第二章 探索性数据分析（EDA）.11 第二部分 机器学习概述14 第三章 机器学习概述14 第三部分 监督学习---分类与回归16 第四章 KNN（k 最邻近分类算法） 16 第五章 决策树19 第六章 朴素贝叶斯分类29 第七章 Logistic 回归 .32 第八章 SVM 支持向量机42 第九章 集成学习(E

k邻近算法的python实现，里面包含了分类器和回归器，有需要的同学可以自取。如果积分涨的过高可以联系我，我随时可以下调

kNN(k-nearest neighbor)是一种基本的分类与回归的算法。这里我们先只讨论分类中的kNN算法。 k邻近算法的输入为实例的特征向量，对对应于特征空间中的点；输出为实例的类别，可以取多类，k近邻法是建设给定一个训练数据集，其中的实例类别已定，分类时，对于新的实例，根据其k个最邻近的训练实例的类别，通过多数表决等方式进行预测。所以可以说，k近邻法不具有显示的学习过程。k临近算法实际上是利用训练数据集对特征向量空间进行划分，并作为其分类的“模型” k值的选择，距离的度量和分类决策规