PCA

PCA 数据降维 PTYTHON 数据分析/挖掘(PCA dimensionality reduction data mining/analysis)

应用背景 数据   ：两个月之内 40000个客户的15个数据字段   包含客户的 地          理位置，职业，职级，年收入，。。。。。。    购买过得产品 目的：对新客户进行推荐一个适合该客户的产品， 对老客户推荐可能再购买的产品 数据处理    数据清洗：   describe 每个特征统计分析       方差     -分析缺陷特征和波动性                 空值赋值为  “-1 “              -  保证模型的可使用    数据归一化：eg：邮编 相似度不高 根据一线二线….进行划分  – 特征的重要性 关键技术特征选择    随机森林：  判断特征的重要性 ：思考为何重要性高     AHP    ：  迭代设置每个特征的权重 模型选择   ：根据数据量数量，是否有标签，分类or回归选取 关于模型选择时候我想用协同过滤  但是不知道关于特征的协同过滤是怎么执行的   是每个特征都有一个评分构成评价矩阵么？

说明：  深度学习框架Keras入门资料，里面的代码包括课件和DEMO有利于新书入门学习，简单易懂(Keras Introductory Information of Deep Learning Framework, which includes courseware and DEMO, is helpful for introductory learning of new books. It is easy to understand.)

很好用的关联规则挖掘经典算法，推荐使用。包括支持度、置信度、提升度，输出结果到excel文件(Good use of association rules mining classic algorithm, recommended)

说明：  将数据集转换为拉普拉斯矩阵，然后利用基于图论的谱聚类进行聚类。拉普拉斯矩阵采用高斯核函数，全连接方法计算。谱聚类擅长处理高维数据或非凸数据集。(The data set is transformed into Laplacian matrix, and then clustered by spectral clustering based on graph theory. The Laplacian matrix is calculated by using the Gauss kernel function and the full connection method. Spectral clustering is good at dealing with high-dimensional or non-convex data sets.)

说明：  内附源数据、代码及word。代码包括：平稳性检验、协整检验、滞后阶数的确定、VAR 模型的拟合、脉冲响应分析、VAR 模型的预测(Stationarity test, co integration test, determination of lag order, VAR model fitting, impulse response analysis, VAR model prediction)

二进制粒子群优化算法pso,主程序：swarmpso m 它包括以下子程序： 1 　初始化：swarminit m 2 　适应值计算函()

用EM算法求解高斯混合模型并可视化，数据是男女生的身高分布，前提是初始化男女生身高各自的均值和方差和比例，然后由EM算法求解，男女生身高的均值方差，以拟合数据。(The EM algorithm is used to solve the Gauss mixture model and visualize. The data is the height distribution of male and female. The premise is to initialize the mean, variance and proportion of the male and female height, then the mean variance of the height of male and female is solved by the EM algorithm, so as to fit the data.)

说明：  用matlab 实现了kmeans算法还附有评价指标计算(Matlab to achieve kmeans algorithm also attached to the evaluation index calculation)

说明：  R语言构建贝叶斯网络，很实用的讲解和案例(Construction of Bayesian network with R language, a very practical explanation and case)