机器学习和数据科学：机器学习和数据挖掘：回归[线性（选择和收缩，降维，超出线性范围）和非线性回归（逻辑，K-NN，树）]，交叉验...

机器学习与数据科学 机器学习和数据挖掘：回归[线性（选择和收缩，降维，超出线性范围）和非线性回归（逻辑，K-NN，树）]，交叉验证（LOOCV，K折，偏差与方差） ，分类（LDA，QDA，K-NN，物流，树，SVM），聚类（PCA，K-Means，分层）本课程将介绍数据挖掘/统计学习的主要主题，包括：统计基础，数据可视化，分类，回归，聚类。 重点将放在统计学习方法，其背后的模型，直觉和假设以及对实际问题的应用上。 您可以在stats 415项目文件夹中找到我的最终项目。 项目总结 实施整个学期学习的所有分类器，以预测通过BMI分类的美国肥胖率，其中最佳分类器为7倍KNN，预测准确性为81.54％ 分析模型选择方法以提供最佳模型并找到最佳预测因子； 结论是可以根据收入，饮食习惯，运动习惯和购物习惯来非参数地预测BMI