ww596520206的博客

【摘要】本文介绍了一个基于决策树和支持向量机(SVM)的旅游客户流失预测系统。通过分析客户历史数据(年龄、消费金额等)，系统预测流失风险并识别关键因素。决策树具有可解释性强、处理非线性关系等优势；SVM则在泛化能力、高维数据处理方面表现突出。项目采用Python的scikit-learn库实现模型训练，准确率较高。帮助企业制定客户留存策略。该系统为旅游行业提供了有效的客户管理决策支持。

使用KNN对鸢尾花数据集进行分类，并且使用LDA进行降维，然后再使用KNN做对比实验2 加载数据注意：3 使用KNN进行分类KNN模型，K=5 为K紧邻，K=1为最近邻，使用费fit训练模型，使用predict函数进行预测，最后使用acc计算精度。4 先使用LDA进行降维，再使用KNN进行分类使用LDA将维度降低到1维使用transform对原数据进行降维，例如原来是4维的，现在是1维的，则会生成一个4*1的矩阵，降维后的数据特征是1维；使用KNN进行降维

机器学习处理：帕尔默企鹅数据集，包含数据清洗、缺失值处理、特征编码、数据集划分、模型训练和验证

我们使用California Housing Prices数据集进行预测，特征编码，回归模型，给定数据集。

我们处理悉尼-墨尔本的房价预测问题，数据集有些变量是字符串形式，有些和时间相关，在本实验中，我们主要使用时间编码、异常点检测zscore、特征编码：LabelEncoder、MEstimateEncoder，最后通过实验对比，给出结论。

我们使用随机森林处理共享单车回归模型，主要包含：数据集划分，建立日期特征，对缺失值进行填补。

使用线性回归、随机森林处理共享单车预测问题，数据集中包含了缺失值，我们使用随机森林先对缺失值进行预测，并且该数据集是和时间序列相关，但是我们将时间特征拆分为多个特征，将问题转换为了回归预测问题。

乳腺癌数据属于二分类问题，包含569条样本，31个特征，1个标签维度。数据归一化、机器学习。

红酒分类数据集属于分类问题，共有13个特征，类别共有10个，因此属于分类问题，我们使用svm、knn、决策树、随机森林等方法对其进行分析，本文还包含PCA降维数据可视化超参数数据归一化等操作，代码可以直接跑通。

这个问题是因为直接使用a.append(b)的格式了，要使用a = np.append(a,b)格式。

2 分析54种天气情况哪个天气出现的次数重点分析下雨、下雪、晴天3 计算降雪-纬度之间的关系使用scatter函数绘制图像，并且点的大小代表降雪（降雨）量的大小。横纵坐标表示经纬度。

本文分析城市天气数据，包含气温、温度、气压、纬度等关系，数据来源链接：https://pan.baidu.com/s/12NUbEwhFgfcY4yb6xVOfvg提取码：fa4u2.2 使用时间序列进行分析asfreq、resample、rolling2.3 取多个城市进行绘制Vancouver气温-气压相关系数：-0.11716415412170467所有城市中相关系数小于0的城市所占比例：0.9722222222222222纬度-气温相关系数：-0.90144708403

本文主要分析china,usa,king,japan,russia5个国家的gdp，时间从1800-2040，后面的数据为预测数据，不准确。使用柱状图进行分析均值、方差、最大值、最小值

先大体分析数据特性，然后分析Survived、Pclass、Sex、Age的数据，最后使用这些svm模型做训练和预测。结果展示：3 死亡率-幸存率分析使用饼状图展示：6.2 绘制频率分布直方图