9 4.1 多重共线性：含义，数学，以及解决方案_哔哩哔哩

6 0 概述

01:05

6 1.1 无监督学习概述，聚类vs分类

09:35

6 1.2 sklearn当中的聚类算法

04:20

6 2.1 Kmeans是如何工作的？

11:40

6 2.2 & 2.3 簇内平方和，时间复杂度

16:49

6 3.1.1 KMeans - 重要参数n_clusters

26:31

6 3.1.2 聚类算法的模型评估指标 (1)

12:59

6 3.1.2 聚类算法的模型评估指标 (2) - 轮廓系数

05:51

6 3.1.2 聚类算法的模型评估指标 (3) - CHI

09:45

6 3.1.3 案例：轮廓系数找最佳n_clusters (1)

10:03

6 3.1.3 案例：轮廓系数找最佳n_clusters (2)

11:00

6 3.1.3 案例：轮廓系数找最佳n_clusters (3)

23:19

6 3.2 重要参数init & random_state & n_init：初始质心怎么决定？

08:25

6 3.3 重要参数max_iter & tol：如何让聚类停下来？

04:10

6 3.4 重要属性与接口 & 函数k_means

06:23

6 4 案例：Kmeans做矢量量化 (1)：案例背景

04:00

6 4 案例：Kmeans做矢量量化 (2)

18:01

6 4 案例：Kmeans做矢量量化 (3)

06:53

6 4 案例：Kmeans做矢量量化 (4)

14:27

7 0 本周要学习什么_trim

01:52

7 1.1 支持向量机概述：最强大的机器学习算法

09:36

7 1.2 支持向量机是如何工作的 & sklearn中的SVM

15:10

7 2.1.1 线性SVC的损失函数 (1)

18:04

7 2.1.1 线性SVC的损失函数 (2)

10:23

7 2.1.2 函数间隔与几何间隔

04:42

7 2.1.3.1 损失函数的拉格朗日乘数形态

14:53

7 2.1.3.2 拉格朗日对偶函数 (1)

13:29

7 2.1.3.2 拉格朗日对偶函数 (2)

08:08

7 2.1.3.3 求解拉格朗日对偶函数极其后续过程

03:50

7 2.1.4 线性SVM的求解过程的可视化 (1)：理解等高线函数contour

11:45

7 2.1.4 线性SVM的求解过程的可视化 (2)：理解网格制作函数meshgrid与vstack

07:54

7 2.1.4 线性SVM的求解过程的可视化 (3)：建模，绘制图像并包装函数

12:12

7 2.1.4 线性SVM的求解过程的可视化 (4)：探索建立好的模型

02:25

7 2.1.4 线性SVM的求解过程的可视化 (5)：非线性数据集上的推广与3D可视化

08:18

7 2.1.4 线性SVM的求解过程的可视化 (6)：Jupyter Notebook中的3D交互功能

03:09

7 2.2.1 & 2.2.2 非线性SVM与核函数：重要参数kernel

10:55

7 2.2.3 案例：如何选取最佳核函数 (1)

26:08

7 2.2.3 案例：如何选取最佳核函数 (2)

15:53

7 2.2.4 案例：在乳腺癌数据集上探索核函数的性质

33:09

7 2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (1)

05:38

7 2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (2)

12:01

7 2.3.1 SVM在软间隔数据上的推广

12:48

7 2.3.2 重要参数C & 总结

08:20

8 0 目录：本周将学习什么

02:18

8 1.1 简单复习支持向量机的基本原理

06:44

8 1.2 参数C的深入理解：多个支持向量存在的理由

12:31

8 1.3 二分类SVC中的样本不均衡问题：重要参数class_weight

08:20

8 1.3 如何使用参数class_weight (1)

05:15

8 1.3 如何使用参数class_weight (2)

09:07

8 2 SVC的模型评估指标

03:31

8 2.1 混淆矩阵与准确率

05:43

8 2.1 样本不平衡的艺术(1)：精确度Precision

07:28

8 2.1 样本不平衡的艺术(2)：召回率Recall与F1 measure

07:09

8 2.1.3 对多数类样本的关怀：特异度Specificity与假正率FPR

04:29

8 2.1.4 sklearn中的混淆矩阵

01:56

8 2.2 ROC曲线：Recall与假正率FPR的平衡

02:07

8 2.2.1 概率与阈值

18:02

8 2.2.2 SVM做概率预测

08:42

8 2.2.3 绘制ROC曲线

17:16

8 2.2.4 sklearn中的ROC曲线和AUC面积

10:12

8 2.2.5 利用ROC曲线求解最佳阈值

06:54

8 3 选学说明：使用SVC时的其他考虑

02:00

8 4 案例：预测明天是否会下雨 - 案例背景

03:53

8 4.1 案例：导库导数据，探索特征，jupyter中的快捷键

13:23

8 4.2 案例：分集，优先处理标签

11:35

8 4.3.1 案例：描述性统计，处理异常值

10:11

8 4.3.2 案例：现实数据上的数据预处理 - 处理时间

35:44

8 4.3.3 案例：现实数据上的数据预处理 - 处理地点

35:55

8 4.3.4 案例：现实数据上的数据预处理 - 填补分类型缺失值

12:08

8 4.3.5 案例：现实数据上的数据预处理 - 编码分类型变量

04:16

8 4.3.6 & 4.3.7 案例：现实数据集上的数据预处理 - 处理连续型变量

07:38

8 4.4 案例：建模与模型评估

08:15

8 4.5.1 案例：模型调参：追求最高的recall

04:56

8 4.5.2 案例：模型调参：追求最高的精确度

16:32

8 4.5.3 案例：模型调参：追求精确度与recall的平衡

14:57

8 4.6 SVM总结与结语

01:43

9 0 本周要学习什么_trim

03:38

9 1 概述，sklearn中的线性回归大家族

04:58

9 2.1 多元线性回归的基本原理和损失函数

11:03

9 2.2 用最小二乘法求解多元线性回归的过程

13:10

9 2.3 多元线性回归的参数，属性及建模代码

27:45

9 3.1 回归类模型的评估指标：是否预测准确？

15:34

9 3.2 回归类模型的评估指标：是否拟合了足够的信息？

29:30

9 4.1 多重共线性：含义，数学，以及解决方案

34:36

9 4.2.1 岭回归处理多重共线性

13:01

9 4.2.2 sklearn中的岭回归：linear_model.Ridge

21:41

9 4.2.3 为岭回归选择最佳正则化参数

23:47

9 4.3.1 Lasso处理多重共线性

11:41

9 4.3.2 Lasso的核心作用：特征选择

16:37

9 4.3.3 Lasso选择最佳正则化参数

27:31

9 5.1.1 & 5.1.2 线性数据与非线性数据

09:06

9 5.1.3 线性vs非线性模型 (1)：线性模型在非线性数据集上的表现

16:35

9 5.1.3 线性vs非线性模型 (2)：拟合，效果与特点

15:11

9 5.2 离散化：帮助线性回归解决非线性问题

30:40

9 5.3.1 多项式对数据做了什么？

26:28

9 5.3.2 多项式回归提升模型表现

11:09

9 5.3.3 多项式回归的可解释性

18:53

9 5.3.4 多项式回归：线性还是非线性模型

09:42

【sklearn机器学习】菜菜的sklearn机器学习完整版（中）