6. 结果分析与解读
在前面的步骤中，我们使用 XGBoost 模型对股票市场数据进行了训练，并使用均方误差（MSE）、均方根误差（RMSE）和决定系数（R²） 对模型性能进行了评估。 现在，我们将详细分析...
六、基础的癌症生存率数据探索
1. 目标定义和假设设定 1.1 背景介绍 乳腺癌是全球范围内最常见的癌症之一，早期诊断对于提高患者的生存率至关重要。威斯康星乳腺癌数据集（Breast Cancer Wisconsin Dataset）是一份广泛用于机...
3. 特征工程
在这部分，我们将对数据进行特征处理，以确保模型能够有效学习数据的模式。 主要步骤： 数据编码（将 diagnosis 变量转换为数值型） 特征选择（去除冗余特征，提高模型效果） 数据标准化（使...
4. 模型选择与构建
4.1 选择适合的模型 我们面临的是一个二分类问题（乳腺癌：良性 or 恶性），适合的模型有： 逻辑回归（Logistic Regression） 支持向量机（SVM） 随机森林（Random Forest） XGBoost（Extreme G...
5. 模型训练与评估
在本部分，我们将： 训练 XGBoost 模型 评估模型性能（准确率、召回率、F1-score 等） 使用网格搜索优化超参数 用可视化方法分析模型表现 5.1 模型训练 我们使用 XGBoost 进行训练，...
6. 结果分析与解读
在本部分，我们将深入分析癌症生存率数据集 的模型预测结果，并总结其意义~ 6.1 关键指标回顾 6.2 特征重要性分析 哪些因素对癌症预测影响最大？ 6.3 预测概率分析 我们绘制了 预测概...
七、客户分群的基础分析
1. 目标定义和假设设定 1.1 分析目标 本案例的目标是 对购物中心的客户进行聚类分析，以便根据其消费行为进行分群。 这有助于商家了解不同类型的客户，从而制定更精准的营销策略，提高客户...
3. 特征工程
3.1 选择合适的特征 去除无关特征，数据集中包含以下列： CustomerID（客户ID）：是唯一标识符，对聚类没有意义，应当删除。 Gender（性别）：可能会影响消费行为，但我们主要关注消费习惯，因...
4. 模型选择与构建
在这一部分，我们将选择合适的聚类算法，并详细介绍其原理、适用性等等。 4.1 模型选择 4.1.1 为什么使用聚类？ 本项目的目标是对客户进行分群，而不是预测某个具体值（如收入或消费评分）。这...
5. 模型训练与评估
在这一部分，我们将通过 Python 实现 K-Means 和GMM 模型的训练与评估，并优化模型参数，最后通过可视化展示模型效果。 5.1 模型训练 5.1.1 训练 K-Means 模型 使用之前的 K 值...
