Python机器学习原理算法及案例实战答案.pdfVIP

Python机器学习原理算法及案例实战答案--第1页

Python机器学习原理算法及案例实战答案

1、k-近邻算法：手写字符识别

通过算法训练识别字符为0-9的数字，也可以为A-Z的字符，目前sklearn

提供的数据集里面为0-9的数字。数据训练前需要用图像处理软件将数字转换成

宽高为32X32的黑白图像，然后将其变换成1x1024的向量。

2、朴素贝叶斯：垃圾邮件过滤

邮箱系统如何分辨一封Email是否属于垃圾邮件？这应该属于文本挖掘的范

畴，通常会采用朴素贝叶斯的方法进行判别。它的主要原理是，根据邮件正文中

的单词，是否经常出现在垃圾邮件中，进行判断。

3、Logistic回归：预测病马的死亡率

Logistic回归又称Logistic回归分析，是一种广义的线性回归分析模型，常用

于数据挖掘，疾病自动诊断，经济预测等领域。使用Logistic回归来预测患疝气

病的马的存活问题是一个典型的案例，项目数据集包含了医院检测马疝病的368

个样本和28个特征，有的指标比较主观，有的指标难以测量。

4、基于协同过滤：菜肴推荐引擎

构建一个推荐系统，该系统可以像一个人推荐去哪儿吃饭和菜品推荐，解决

人们选择饭店和不知道点什么菜的问题。这个系统能够寻找用户没有尝过的菜

肴，预估用户对该菜品的评分，然后通过SVD来减少特征空间并提高推荐效果。

5、基于异常值分析：支付中的交易欺诈侦测

采用支付宝支付时，或者刷信用卡支付时，系统会实时判断这笔刷卡行为是

否属于盗刷。通过判断刷卡的时间、地点、商户名称、金额、频率等要素进行判

断。这里面基本的原理就是寻找异常值。如果您的刷卡被判定为异常，这笔交易

Python机器学习原理算法及案例实战答案--第1页

Python机器学习原理算法及案例实战答案--第2页

可能会被终止。

异常值的判断，应该是基于一个欺诈规则库的。可能包含两类规则，即事件

类规则和模型类规则。第一，事件类规则，例如刷卡的时间是否异常（凌晨刷卡）、

刷卡的地点是否异常（非经常所在地刷卡）、刷卡的商户是否异常（被列入黑名

单的套现商户）、刷卡金额是否异常（是否偏离正常均值的三倍标准差）、刷卡

频次是否异常（高频密集刷卡）。第二，模型类规则，则是通过算法判定交易是

否属于欺诈。一般通过支付数据、卖家数据、结算数据，构建模型进行分类问题

的判断。

6、决策树：预测隐形眼镜的类型

预测隐形眼镜的类型是决策树分类问题中的一个案例。隐形眼镜数据集是非

常著名的数据集，它包含了很多患者眼部状况的观察条件以及医生推荐的隐形眼

镜类型。隐形眼镜类型包括硬材质、软材质以及不适合佩戴隐形眼镜。数据中采

用的特征有四个：age（年龄）、prescript（症状）、astigmatic（是否散光）、tearRate

（眼泪数量）。

7、Apriori算法关联分析：发现毒蘑菇的相似特征

Apriori算法关联分析是从大规模数据集中寻找物品间的隐含关系。通过分析

寻找毒蘑菇的公共特征，利用这些特征就能避免迟到有毒的蘑菇。所提供的数据

集合重有蘑菇的23种特征的数据集，每一个特征是标称数据。而我们需要将样

本转换成特征的集合，枚举每个特征所有可能的举止，如果某个样本包含特征，

那么特征对应的整数应该被包含在数据集中，每一个样本都是这样的特征集合。

如果第一个特征有毒就是2，如果能食用就是1，下一个特征是形状有6可能值，

用整数3-8表示，相当于把需要的特征维度都进行排列离散化。最终只有一个大

Python机器学习原理算法及案例实战答案--第2页

Python机器学习原理算法