机器学习基础：数据准备、模型与实验
该思维导图概述了第七章机器学习基础知识。内容涵盖数据准备中的数据预处理，监督学习中的分类与回归，线性模型中的线性回归与逻辑回归，核方法中的支持向量机SVM，神经网络中的前馈网络和BP网络训练，以及神经网络应用于数据分类的实验。本章系统地介绍了机器学习中几种核心算法和技术，并以实验环节巩固学习效果，为后续深入学习打下坚实基础。
源码
# 机器学习基础
## 7.1 数据准备
### 数据预处理
#### 数据清洗
#### 数据变换
#### 特征选择
### 数据划分
#### 训练集
#### 验证集
#### 测试集
## 7.2 监督学习
### 分类
#### 二分类
##### 决策树
##### k近邻算法
#### 多分类
##### 支持向量机
##### 随机森林
### 回归
#### 线性回归
#### 决策树回归
#### 评估指标
##### 均方误差
##### R²评分
## 7.3 线性模型
### 线性回归
#### 模型假设
#### 损失函数
### 逻辑回归
#### Sigmoid函数
#### 多项式逻辑回归
## 7.4 核方法
### 支持向量机SVM
#### 核函数
##### 多项式核
##### 径向基核
#### 超参数调整
## 7.5 神经网络
### 前馈网络
#### 网络结构
#### 激活函数
### BP网络训练
#### 前向传播
#### 反向传播
#### 学习率调整
## 7.6 实验
### 数据分类实验
#### 实验目标
#### 实验步骤
#### 结果分析
图片
