你的第一个机器学习案例

pip install pandas 
python -m pip install jupyter notebook -U 
python -m pip install -U matplotlib


# Load libraries加载数据库
import pandas
from pandas.plotting import scatter_matrix
import matplotlib.pyplot as plt
from sklearn import model_selection
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC

常见的归一化方法

• 最小-最大归一化（Min-Max Normalization）
  • 将数据缩放到[0, 1]的范围内。

• 将数据转换为均值为0，标准差为1的正态分布。

• 通过移动小数点的位置将数据缩放。

为什么需要归一化？

• 提高模型训练速度和性能：
  • 归一化后的数据可以加速梯度下降的收敛速度，提高模型训练的效率。
• 提升模型的稳定性和精度：
  • 归一化可以减少由于量纲不同而导致的数值问题，防止某些特征对模型的影响过大。
• 提高不同特征的可比性：
  • 通过归一化，不同特征的数据可以在同一尺度上进行比较和分析。

应用场景

• 机器学习：许多机器学习算法（如K-means、SVM、神经网络等）对数据的尺度敏感，归一化可以显著提高这些算法的性能。
• 图像处理：在图像处理中，像素值通常归一化到[0, 1]范围内，以便更好地处理和分析图像。
• 金融数据分析：在分析股票价格等金融数据时，归一化可以使不同股票的数据具有可比性。