日常机器学习（二十）线性回归算法概述
线性拟合表示对一个应变量(y)，有一系列的元素(xp)（元素也可以理解为自变量），我们想得到一个线性回归方程
这里，p 表示自变量的个数，i 表示数据个数。（PS：会有一个常数项）
也可以写成一个矩阵形式
也可以写成一个矩阵形式
其中
日常机器学习（二十三）线性预测回归实例——缺失值处理
使用missingno中的包，可以画出缺失值的位置： 白色的位置表示缺失值位置。（详情可以参见https://github.com/ResidentMario/missingno） pd.isnull()可以显示数据中缺失的那一部分，代入到原数据中，就可以显示出缺失的那一部分的数据值。 对于缺失的数据如何填补，我们可以先画该数据的累积分布函数（ECDF函数可以画累积分布函数，详情package参照第二十二篇）或柱状分布函数来看看该数据的具体分布。 groupby()函数可以根据括号中的选项来对原数据进行分类 transform函数可以替换原数据中的缺失值。 可以看到在'Sepal.Width'中原来的缺失值使用'setosa'这一类的平均值来替换掉。
评论
发表评论