聚类方法、线性回归模型与分类方法（逻辑回归模型） 聚类方法、线性回归模型与分类方法（逻辑回归模型）

文章目录

• 引言

  • 第一章 数据概述分析
  • 第二章 单变量统计分析
  • 第三章 数据可视化展示
  • 第四章 模型构建与应用
    • **4.1 线性回归模型搭建
      • **4.1.1 导入必要的库及加载数据集
      • **4.1.2 熟悉数据特征并为后续建模做好准备
      • **4.1.3 构建线性回归预测模型

• 2.逻辑回归分析方法

• • • ①评估预测对象的结果分布特征（成功与失败案例的比例）

• ②探究影响目标结果的主要因素

• ③构建模型并对其进行优化

• ④进行模型分析与解释

  • 3.聚类分析模型

  • • • ①数据处理

  • ②聚类分析模型建立

  • 总结

前言

基于线性回归模型、逻辑回归模型以及聚类分析模型作为数据分析的基础知识进行入门教学的情况下，在机器学习领域主要包含两大类型的学习方法：其中线性回归和逻辑回归属于监督式学习方法；而聚类分析则属于非监督式的学习范畴。在具体实现过程中会涉及以下几个核心组件：其中pandas被用作数据分析工具集，并负责数据清洗工作；Matplotlib和Seaborn则被用作数据可视化工具；scikit-learn则被用作机器学习领域的第三方模块，并提供了多种预装算法方便使用。

一、了解数据概