一、课后作业构造分类器对Titanic数据集进行预测1.数据集预处理（1）数据集下载与分析下载地址：https://www.kaggle.com/c/titanic/data导入必要的包，并查看训练集、测试集前五行数据importtorchimportnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltimp

箱型图01importpandasaspdimportseabornassnstitanic=pd.read_csv('C:\\work\\titanic.csv')titanic.head()点击查看详情02#age列sns.boxplot(y=titanic["age"])点击查看详情03#x轴指定class分类sns.boxplot(data=titanic,y="age

在上一篇博客【机器学习】数据探索(DataExploration)—数据质量和数据特征分析中，我们深入探讨了数据预处理的重要性，并介绍了诸如插值、数据归一化和主成分分析等关键技术。这些方法有助于我们清理数据中的噪声、消除异常值，以及降低数据的维度，从而为后续的机器学习模型训练

概率密度函数是概率论核心概念之一，用于描述连续型随机变量所服从的概率分布，是概率计算的通用表达。研究一个随机变量，不只是要看它能取哪些值，更重要的是它取各种值的概率如何！在实际使用时对应离散化后的频率。也可以这样理解，概率密度函数是数学通用表达的频率，而统计学中的频率是将

泰坦尼克号数据分析与可视化引言泰坦尼克号是一艘著名的英国轮船，也是历史上最著名的沉船之一。自从1912年沉没以来，它一直吸引着人们的注意。泰坦尼克号数据集是一个广泛使用的数据集，用于分析和预测泰坦尼克号乘客的生存情况。本文将介绍如何使用R语言对泰坦尼克号数据进行分析和

二分类问题version1：超参数：  结果： 

  -为什么用Seaborn-Seaborn是基于Python且非常受欢迎的图形可视化库，在Matplotlib的基础上，进行了更高级的封装，使得作图更加方便快捷。即便是没有什么基础的人，也能通过极简的代码，做出具有分析价值而又十分美观的图形。Seaborn可以实现Python环境下的绝大部分探索

PassengerId——乘客编号。每个编号的形式都表示乘客与是否是组团旅行有关，比如家庭出游，集体出差等，因此编号中有部分是表示他们在团队中的号码。但有部分乘客是独自旅行。H

Kaggle-入门比赛-泰坦尼克号importpandasaspdimportmatplotlib.pyplotasplttrain_data=pd.read_csv("data/train.csv")test_data=pd.read_csv("data/test.c

#coding=utf-8'''pannas的函数作用；read_csv(文件的路径)读取文件<class'pandas.core.frame.DataFrame'>（read_csv返回的对象）对象的方法与属性:属

今天第一次跟着别人的Notebook顺着做了一下kaggle里面的入门比赛：预测泰坦尼克溺亡（虽然分数只有0.77...）发现很大一部分工作在于数据清洗这块，这一过程中也是认识到了很多新

 逻辑回归是一种拟合回归曲线的方法，y=f(x)，当y是一个分类变量时。这个模型的典型用途是在给定一组预测因素x的情况下预测y，预测因素可以是连续的、分类的或混合的。 一般来

我的第一个BigQueryML模型○大查询是一个高度可扩展、无服务器、多云的数据仓库工具。反过来，BigQuery机器学习(BQML)是一项功能，可让您使用标准SQL查询在BigQ