ML之二分类预测:以岩石水雷数据集(RockMine)为例从0到1深入理解科学预测之分类问题的思路框架(特征工程详细步骤(特征分析与特征处理)+分类模型设计)

4、利用python工具包输出

(1)、分位图查找异常点

ML之二分类预测:以岩石水雷数据集(RockMine)为例从0到1深入理解科学预测之分类问题的思路框架(特征工程详细步骤(特征分析与特征处理)+分类模型设计)

(2)、输出头数据和尾数据

ML之二分类预测:以岩石水雷数据集(RockMine)为例从0到1深入理解科学预测之分类问题的思路框架(特征工程详细步骤(特征分析与特征处理)+分类模型设计)

(3)、输出统计信息

5、对整个数据集各个特征(属性)PCP(平行坐标图)可视化分析

ML之二分类预测:以岩石水雷数据集(RockMine)为例从0到1深入理解科学预测之分类问题的思路框架(特征工程详细步骤(特征分析与特征处理)+分类模型设计)

6、属性之间关系的关系Spython代码画樱花P可视化

ML之二分类预测:以岩石水雷数据集(RockMine)为例从0到1深入理解科学预测之分类问题的思路框架(特征工程详细步骤(特征分析与特征处理)+分类模型设计)

7、特殊属性和标签的关系SP可视化

ML之二分类预测:以岩石水雷数据集(RockMine)为例从0到1深入理解科学预测之分类问题的思路框架(特征工程详细步骤(特征分析与特征处理)+分类模型设计)

8、利用皮尔逊相关系数计算任意两个特征(属性)之间相关程度

(1)、如图分别计算的是2&3、2&21两个相关度数值

分别计算第2&3、2&21个属机器学习/深度学习性参数相关度,发现2&3之间相关度比2&21高!

9python123平台登录、Heat Map热图:利用皮尔森相关系数矩阵,且使用HM可视化变量之间的相关性

ML之二分类预测:以岩石水雷数据集(RockMine)为例从0到1深入理解科学预测之分类问题的思路框架(特征工程详细步骤(特征分析与特征处理)+分类模型设计)

三、测试该数据集上度量分类器性能

T1、OLS构建分类器

1、输出结果

2、ROC、A数据可视化呈现与解读UC可视化分析机器学习/深度学习

ML之二分类预测:以岩石水雷数据集(RockMine)为例从0到1深入理解科学预测之分类问题的思路框架(特征工程详细步骤(特征分析与特征处理)+分类模型设计)

T2、RiR构建分类器+AUC度量分离器性能

ML之二分类预测:以岩石水雷数据集(RockMine)为例从0到1深入理解科学预测之分类问题的思路框架(特征工程详细步骤(特征分析与特征处理)+分类模型设计)

ML之二分类预测:以岩石水雷数据集(RockMine)为例从0到1深入理解科学预测之分类问题的思路框架(特征工程详细步骤(特征分析与特征处理)+分类模型设计)