2、贝叶斯分类器的先验分布 ● 基本概念讲解 ·Python实践课：探索不同参数下的贝塔分布特点 第三节贝叶斯分类器的分类边界 基本概念 井解 Pythor实践课：绘制贝叶斯分类器的决策边界 第四节贝叶斯分类器的应用实践 1、Python实践课：二分类的空气污染预测 2、Python实践课：多分类的文本分类预测 第七章数据预测建模：近邻分析和逻辑回归 【教学内容】 第一节近邻分析：K-近邻法 1、距离：K近邻法的近邻度量 2、参数K:1-近邻法还是K近邻法 基本概念讲解 ·Python实践课：K-近邻法不同参数K下的分类边界 第二节基于观测相似性的加权K近邻法 1、加权K-近邻法的权重和预测 2、加权K近邻法的分米边界 基本概念讲解 ·Python实践课：探讨加权K-近邻法中不同核函数的特点 第三节逻辑回归 第八章数据预测建模：决策树 【教学内容】 决策树的核心问题 1、什么是决策树 2、分类树的分类边界和回归树的回归平面 ●基本概念讲解 ●Python实践课：回归树的回归面 3、决策树的生长和剪枝 ●基本概念讲解 ●Python实践课：不同树深度下分类树的分类边界 第二节分类回归树的生长 1、分类树中的异质性府 ●基本概念讲解 Python实践课：分类树中的基尼系数和嫡 2、回归树中的异质性度量 第三节分类回归树的剪枝7 2、贝叶斯分类器的先验分布 ⚫ 基本概念讲解 ⚫ Python 实践课：探索不同参数下的贝塔分布特点 第三节 贝叶斯分类器的分类边界 ⚫ 基本概念讲解 ⚫ Python 实践课：绘制贝叶斯分类器的决策边界 第四节 贝叶斯分类器的应用实践 1、Python 实践课：二分类的空气污染预测 2、Python 实践课：多分类的文本分类预测 第七章 数据预测建模：近邻分析 和逻辑回归 【教学内容】 第一节 近邻分析：K-近邻法 1、距离：K-近邻法的近邻度量 2、参数 ：1-近邻法还是 K-近邻法 ⚫ 基本概念讲解 ⚫ Python 实践课：K-近邻法不同参数 下的分类边界 第二节 基于观测相似性的加权 K-近邻法 1、 加权 K-近邻法的权重和预测 2、加权 K-近邻法的分类边界 ⚫ 基本概念讲解 ⚫ Python 实践课：探讨加权 K-近邻法中不同核函数的特点 第三节 逻辑回归 第八章 数据预测建模：决策树 【教学内容】 第一节 决策树的核心问题 1、什么是决策树 2、分类树的分类边界和回归树的回归平面 ⚫ 基本概念讲解 ⚫ Python 实践课：回归树的回归面 3、决策树的生长和剪枝 ⚫ 基本概念讲解 ⚫ Python 实践课：不同树深度下分类树的分类边界 第二节 分类回归树的生长 1、分类树中的异质性度量 ⚫ 基本概念讲解 ⚫ Python 实践课：分类树中的基尼系数和熵 2、回归树中的异质性度量 第三节 分类回归树的剪枝