企业官网建设流程全解析

全文目录

• • 一、引言：从数据中发现模式
  • 二、聚类分析：让数据自己分组
  • • 2.1 聚类的基本思想
    • 2.2 距离与相似性度量
    • • 2.2.1 常用距离度量
      • 2.2.2 数据标准化的必要性
    • 2.3 K-means聚类算法
    • • 2.3.1 算法原理
      • 2.3.2 数学推导
      • 2.3.3 MATLAB实现
      • 2.3.4 K-means的优缺点
    • 2.4 层次聚类
    • • 2.4.1 凝聚层次聚类
      • 2.4.2 MATLAB实现
    • 2.5 DBSCAN密度聚类
    • • 2.5.1 核心概念
      • 2.5.2 算法流程
      • 2.5.3 MATLAB实现
      • 2.5.4 参数选择
    • 2.6 高斯混合模型（GMM）
    • • 2.6.1 模型定义
      • 2.6.2 EM算法
      • 2.6.3 MATLAB实现
    • 2.7 聚类数目的选择
    • • 2.7.1 肘部法则（Elbow Method）
      • 2.7.2 轮廓系数（Silhouette Coefficient）
      • 2.7.3 间隙统计（Gap Statistic）
  • 三、分类分析：从已知到未知
  • • 3.1 分类问题的基本框架
    • 3.2 判别分析（Discriminant Analysis）
    • • 3.2.1 线性判别分析（LDA）
      • 3.2.2 MATLAB实现
      • 3.2.3 二次判别分析（QDA）
    • 3.3 朴素贝叶斯分类器
    • • 3.3.1 贝叶斯定理
      • 3.3.2 朴素假设
      • 3.3.3 高斯朴素贝叶斯
    • 3.4 决策树
    • • 3.4.1 决策树的构建
      • 3.4.2 MATLAB实现（简化版）
    • 3.5 支持向量机（SVM）
    • • 3.5.1 线性SVM
      • 3.5.2 软间隔SVM
      • 3.5.3 核技巧
      • 3.5.4 MATLAB实现
    • 3.6 K近邻（K-Nearest Neighbors, KNN）
    • • 3.6.1 算法原理
      • 3.6.2 距离加权
      • 3.6.3 MATLAB实现
      • 3.6.4 KNN的优缺点
    • 3.7 集成学习方法
    • • 3.7.1 随机森林（Random Forest）
      • 3.7.2 AdaBoost
  • 四、模型评估与选择
  • • 4.1 性能度量
    • • 4.1.1 混淆矩阵
      • 4.1.2 ROC曲线和AUC
      • 4.1.3 多类分类的评估
    • 4.2 交叉验证
    • • 4.2.1 K折交叉验证
      • 4.2.2 分层交叉验证
      • 4.2.3 留一法（Leave-One-Out）
    • 4.3 偏差-方差权衡
  • 🎯 关于这个专栏
  • 💬 关于内容、引用与交流
  • 👨‍💻 About Me · 关于作者
  • 🚀 如果你正在学习数学建模
  • 🎁 文末福利 · 学习资源