数据分析算法及其应用

线性回归

线性回归是一种用于建立变量之间线性关系的统计模型，通过最小化预测值和实际值的差异来找到最佳拟合直线。在现实中，线性回归可用于预测销售额、股票价格等。

示例：

import numpy as np
from sklearn.linear_model import LinearRegression
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.dot(X, np.array([1, 2])) + 3
reg = LinearRegression().fit(X, y)
print(reg.coef_)

决策树

决策树是一种树形结构，用于对数据集进行分类和预测。在现实中，决策树可用于客户分类、贷款申请审核等。

示例：

from sklearn import tree
X = [[0, 0], [1, 1]]
y = [0, 1]
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X, y)
print(clf.predict([[2., 2.]]))

聚类分析

聚类分析是一种将数据集分组成不同类别的方法，使得同一类别内的数据相似度较高，不同类别之间的数据相似度较低。在现实中，聚类分析可用于市场细分、社交网络分析等。

示例：

from sklearn.cluster import KMeans
import numpy as np
X = np.array([[1, 2], [1, 4], [1, 0],[4, 2], [4, 4], [4, 0]])
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
print(kmeans.labels_)