Classifiers___Bagging+Knn

主要利用R语言进行广义加法模型，进行回归预测(This paper mainly uses R language to carry on the generalized additive model, and carries on the regression forecast)

本书精心策划了三个虚拟项目，将数据科学家必需的专业技能融合其中，教会读者如何将数据存储到计算机内存中，如何在必要的时候转换内存中的数据值，如何用R编写自己的程序并将其用于数据分析和模拟运行。读者将跟随世界一流的RStudio培训师掌握宝贵的编程技能，并借助这些技能成为优秀的数据科学家。(Introduction to R Language)

基于密度的局部离群点检测，使用于当全部样本点的密度不一致的情况(Local outlier detection based on density)

说明：  多种方法实现分位数回归,有完整原理解释，直接可用。(Multiple methods for quantile regression)

牛顿插值法,选择插值节点文件,有点小麻烦()

应用python编写的百度指数新闻爬取代码(baiduindex spider)

说明：  利用python进行数据分析，英文书籍，从pandas库的数据分析工具开始利用高性能工具对数据进行加载、清理、转换、合并以及重塑；利用matpIotlib创建散点图以及静态或交互式的可视化结果；利用pandas的groupby功能对数据集进行切片、切块和汇总操作；处理各种各样的时间序列数据。(Starting from the data analysis tools of pandas database, high performance tools are used to load, clean, transform, merge and remodel data; scatter plots and static or interactive visualization results are created by matpIotlib; data sets are sliced, sliced and aggregated by pandas group by function; and various operations are processed. Time series data.)

频繁项集挖掘算法，能在大量局部特征中发现频繁空间配置，这些空间配置可以作为词语，加入到特征包中进行分类，实现图像分类。

资源描述决策树是建立在信息论基础之上，对数据进行分类挖掘的一种方法。其思想是，通过一批已知的训练数据建立一棵决策树，然后利用建好的决策树，对数据进行预测。决策树的建立过程可以看成是数据规则的生成过程。由于基于决策树的分类方法结构简单，本身就是人们能够理解的规则。其次，决策树方法计算复杂度不大，分类效率高，能够处理大数据量的训练集；最后，决策树方法的分类精度较高，对噪声数据有较好的健壮性，符合一般系统的要求。

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)