WDMAP6

说明：  基于股票数据的神经网络，关于结算的预测，通过遗传算法加以改进(Based on the neural network of stock data, the prediction of settlement is improved by genetic algorithm)

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？

粗糙集在进行属性约简时需要求其正域，此为求正域程序(Rough Set for Positive Domain)

weka是一个很优秀的数据挖掘软件，可以把weka作为程序包打入工程中，基本想要的功能很快就能实现

PCA源程序，主元分析源程序，可以用于变量的特征提取(PCA source code, principal component analysis source, can be used for variable feature extraction)

决策树与集成算法，用来分类已知数据种类，希望对编程有帮助(Decision tree and ensemble algorithm are used to classify known data types.)

bp网络实现认知无线电的检测和预测,从而达到了对频谱的分配(Bp network realizes the detection and prediction of cognitive radio, thus achieving the spectrum allocation.)

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

基于P-Q分解法的快速潮流计算,可用于实际系统()

Python数据预处理示例，包括数据清洗、数据整合、数据变换等操作。(Python data preprocessing examples, including data cleaning, data integration, data transformation and other operations.)