# Machine_learning_prediction_system
机器学习预测系统汇总：包括贝叶斯网络、马尔科夫模型、线性回归、岭回归、多项式回归、决策树回归、深度神经网络预测
# 具体介绍，这里主要是预测部分（包括GUI界面）
1.熟悉机器学习的完整流程，包括：问题建模，获取数据，特征工程，模型训练，模型调优，线上运行；或者分为三大块：数据准备与预处理，模型选择与训练，模型验证与参数调优。
2.绘制机器学习算法分类归纳思维导图，按照有监督学习、无监督学习和半监督学习，将学过的算法进行归纳总结。
3.自行选择学习任务，按照机器学习流程，分别设计分类、预测、聚类系统，每个系统务必选择不同的算法进行训练，采用多种方法进行模型验证与参数调优，选择适合的多个指标对模型进行评估，采用可视化方法对结果进行分析，最终形成一个完整的系统。
（1）分类算法：
k-近邻算法、贝叶斯分类器、支持向量机、决策树分类、神经网络、AdaBoost、GBDT、随机森林、逻辑回归、softmax回归等
（2）预测：贝叶斯网络、马尔科夫模型、条件随机场、线性回归、XGBoost、岭回归、多项式回归、决策树回归、深度神经网络预测
（3）聚类：K-means、层次聚类BIRCH、密度聚类DBSCAN算法、高斯混合聚类GMM、密度聚类的OPTICS算法、基于网格的聚类（STING、CLIQUE）、Mean Shift聚类算法
机器学习预测系统python合集（贝叶斯网络、马尔科夫模型、线性回归、岭回归、多项式回归、决策树回归、深度神经网络预测）.zip
版权申诉
170 浏览量
2024-04-14
16:24:36
上传
评论
收藏 1.3MB ZIP 举报
机器学习预测系统python合集（贝叶斯网络、马尔科夫模型、线性回归、岭回归、多项式回归、决策树回归、深度神经网络预测）.zip （12个子文件） 
projectcode30312 
使用说明书.docx 515KB
README.md 2KB code alldata.py 3KB kc_house_data.csv 2.4MB run.py 1024B main_interface.py 7KB main_interface.ui 7KB algorithme.py 8KB mainui.py 14KB show_diff.py 2KB
data.xlsx 51KB minidata.xlsx 10KB资源评论
