一对多（OnevsRestclassifier）将只能用于二分问题的分类(如Logistic回归、SVM)方法扩展到多类。参考：http://www.cnblogs.com/CheeseZH/p/5265959.html(https://www.oschina.net/action/G

 MongoDB中聚合(aggregate) 操作将来自多个document的value组合在一起，并通过对分组数据进行各种操作处理，并返回计算后的数据结果，主要用于处理数据(诸如统计平均值,求和等)。MongoDB提供三种方式去执行聚合操作：聚合管道（aggregationpipeline）、MapReduce函数以及单一的聚合命令(count、di

KNN算法的全称是KNearestNeighbor，中文为K近邻算法，它是基于距离的一种算法，简单有效。KNN算法即可用于分类问题，也可用于回归问题。1，准备电影数据假如我们统计了一些电影数据，包括电影名称，打斗次数，接吻次数，电影类型，如下：电影名称打斗次数接吻次数

AggregateReport是JMeter常用的一个Listener，中文被翻译为“聚合报告”。　 　　!(https://oscimg.oschina.net/oscnet/4d2ddcd0126629b158ceba312a3aaae3ac5.png)对于每个请求，它统计响应信息并提供请求数，平均值，最大，最小值，错误率，大约吞吐量

前言上一篇使用逻辑回归预测了用户性别，由于矩阵比较稀疏所以会影响训练速度。所以考虑降维，降维方案有很多，本次只考虑PCA和SVD。PCA和SVD原理有兴趣的可以自己去研究一下https://medium.com/@jonathan\_hui/machinelearningsingularvaluedecomp

sklearn中LogisticsRegression的coef\_和intercept\_的具体意义​使用sklearn库可以很方便的实现各种基本的机器学习算法，例如今天说的逻辑斯谛回归（LogisticR

本章涵盖了以下主题：分类和回归之外的其他类型的问题；评估问题，理解过拟合、欠拟合，以及解决这些问题的技巧；为深度学习准备数据。请记住，在本章中讨论的大多数技术都是机器学习和深度学习通用的，一部分用于解决过拟合问题的技术（如dropout）除外。4.1　三类机器学习问题在之前的所有例子中，尝试解决的是分类（预测猫或狗）或回归（预测用户在平台上花费的平均时

机器学习基础本章涵盖了以下主题：分类和回归之外的其他类型的问题；评估问题，理解过拟合、欠拟合，以及解决这些问题的技巧；为深度学习准备数据。请记住，在本章中讨论的大多数技术都是机器学习和深度学习通用的，一部分用于解决过拟合问题的技术（如dropout）除外。4.1　三类机器学习问题在之前的所有例子中，尝试解决的是分类（预测猫或狗）或回归（预测用户在平台上

大数据————决策树（decisiontree）决策树（decisiontree）：是一种基本的分类与回归方法，主要讨论分类的决策树。在分类问题中，表示基于特征对实例进行分类的过程，可以认为是ifthen的集合，也可以认为是定义在特征空间

spssstatistics27增强功能比例和差异的Z检验和置信区间：对于单样本、配对样本、独立样本分析。在分析比较均值菜单下找到，新的比例程序允许用户测试总体比例的差异，并针对每种类型的分析使用各种方法构建观察到的差异的置信区间。可靠性分析增强：麦当劳O