这是github一个开源项目，作者是AvikJain，内容是从机器学习的基础概念起步，逐层递进，很适合初学者。github地址是https://github.com/Avik-Jain/100-Days-Of-ML-Code。截至到现在，已经有近16000多的star。为了学习ML的实战技巧，跟着这个开源项目学习了一段时间，并贡献了一点issues。现在将自己的学习过程总结起来，仅供以后参考。该项

最近看到github上有100-Days-Of-ML系列的项目，出了中英文版，在这里做一下搬运工，加上自己的学习体会，与大家分享。英文原版地址：英文版，中文版地址：中文版。

本系列为100天机器学习学习笔记。详细请参考下方作者链接：100天机器学习github:https://github.com/MLEveryday/100-Days-Of-ML-Code/blob/master/Code/Day11_K-NN.md这个系列开头都还挺认真的，到后面原作者都不太认真了。。。anyway,我们还是继续跟进，把干货记录完。这次讲的是knn，我会在原文的基础上进行挖深。一些

本系列为100天机器学习学习笔记。详细请参考下方作者链接：100天机器学习github:https://github.com/MLEveryday/100-Days-Of-ML-CodeDay1第1步：导入库importnumpyasnpimportpandasaspd数据集：第2步：导入数据集dataset=pd.read_csv('Data.csv')X=dataset.iloc[:,:-1]

本系列为100天机器学习学习笔记。详细请参考下方作者链接：100天机器学习github:https://github.com/MLEveryday/100-Days-Of-ML-CodeDay4,5,6–logisticregression数据集|社交网络该数据集包含了社交网络中用户的信息。这些信息涉及用户ID,性别,年龄以及预估薪资。一家汽车公司刚刚推出了他们新型的豪华SUV，我们尝试预测哪些用

第十八天K-means聚类无监督学习（UnsupervisedLearning），顾名思义，就是不受监督的学习，一种自由的学习方式。该学习方式不需要先验知识进行指导，而是不断地自我认知，自我巩固，最后进行自我归纳，在机器学习中，无监督学习可以被简单理解为不为训练集提供对应的类别标识（label）。K-means聚类是一种典型的无监督学习模型。本章使用一些真实的地理位置来进行k-means聚类操作。

今天继续学习机器学习算法——KNN。KNN是通过测量不同特征值之间的距离进行分类的一种算法。它的思路是：如果一个样本在特征空间的k个最相似（即特征空间中最近邻）的样本大多数属于某一个类别，则该样本也属于这个类别，其中k通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别决定待分样本所属的类别。下面通过一个简单的例子说明一下

上一篇文章已经解释了逻辑回归的原理和数学推导过程，这一篇来学习逻辑回归在python中的实现。数据集在这里该数据集包含了社交网络中用户的信息。这些信息涉及用户ID,性别,年龄以及预估薪资。一家汽车公司刚刚推出了他们新型的豪华SUV，我们尝试预测哪些用户会购买这种全新SUV。并且在最后一列用来表示用户是否购买。我们将建立一种模型来预测用户是否购买这种SUV，该模型基于两个变量，分别是年龄和预计薪资。

逻辑回归逻辑回归（LogisticRegression）是用于处理分类问题的一种算法，常用于二分类的处理，当然也可以处理多分类问题。它的思想是基于线性回归，实质上是一种广义线性回归模型。对于逻辑回归模型，最核心的部分就是引进了sigmoid函数。如下图：通过sigmoid函数，可以将任意的输入映射到[0,1]之间，对于二分类问题，我们可以认为这样的输出值就是一个概率。下面给出逻辑回归的数学推导过程

今天来学习多元线性回归。多元线性回归与简单线性回归类似，都是尝试通过一个线性函数来拟合数据，不同的是，多元线性回归的自变量包含两个或两个以上的特征。首先给出多元线性回归的一般模型：hθ(x)=θ0+θ1x1+⋯+θnxnhθ(x)=θ0+θ1x1+⋯+θnxn,写成矩阵形式就是hθ(x)=∑i=0nθixi=θTxhθ(x)=∑i=0nθixi=θTx。多元线性回归模型有以下假定：零均值假定，随机