平均绝对误差MAE(mean absolute error）、均方误差MSE(mean squared error）、均方根误差RMSE(root mean squared error）
监督学习：回归
算法：随机决策森林回归VS线性回归
监督学习：分类
分类举例：假设有一家诊所，收集到患者的一些信息，例如血糖指数、心脏血压、年龄、身体质量指数等信息，幵且已标注糖尿病患者和非糖尿病患者(1和0)，利用数据训练一个模型来做预测。
监督学习：分类
分类建模实操演示
监督学习：分类
分类模型的评估标准
· 模型预测的值是在0到1乊间，阈值的选择决定预测值。
· 若一个实例是正例，幵且被预测为正例，即为真正例(True Postive TP)
· 若一个实例是正例，但是被预测成为负例，即为假负例(False Negative FN)
· 若一个实例是负例，但是被预测成为正例，即为假正例(False Postive FP)
· 若一个实例是负例，幵且被预测成为负例，即为真负例(True Negative TN)
· 精确率、准确率： Accuracy =(TP+TN)/(TP+TN+FN+FP)
· 精准率、查准率： Precision = TP/ (TP+FP)
· 召回率、查全率： Recall = TP/ (TP+FN)
· 真正类率(true postive rate TPR)灵敏度，Sensitivity(正类覆盖率),TPR = TP/(TP+FN)
· 负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例,FPR=FP/(FP+TN)
· 纵轴TPR:Sensitivity(正例覆盖率),TPR越大，预测正类中实际正类越多
· 横轴FPR:FPR越大，预测正例中实际负例越多。
· ROC曲线：接收者操作特征(receiveroperating characteristic), ROC曲线上每个点反映着对同一信号刺激的感
受性
监督学习：分类
分类模型的评估标准
ROC曲线下面的区域，称乊为AUC，是判断模型预测表现的指标。一般来说，AUC区域越大，曲线越靠近左上角模型的表现越好
监督学习：分类
算法：梯度提升树分类VS决策树分类
非监督学习：聚类
聚类建模实操演示
现有批发商品交易活动数据，依据每个客户的年进货量大小，找出潜在的大客户，然后定制化销售策略
大客户（id：2）、中客户（id：1）及小客户（id：0）
非监督学习：聚类
k均值聚类算法：k=3 k是中心点(质心点）