回归定义了一种监督机器学习方法的类型，可用于预测任何连续值属性。回归为一些商业组织提供了探索目标变量和预测变量关联的方法。它是探索数据的重要工具，可用于货币预测和时间序列建模。有各种类型的回归，如下所示 - 线性回归 - 线性回归包括找到拟合两个属性（或变量）的“最佳”线，以便可以使用一个属性来预测另一个属性。多元线性回归是线性回归的改进，其中…… 阅读更多

回归定义了一种监督机器学习方法的类型，可用于预测任何连续值属性。回归为一些商业组织提供了探索目标变量和预测变量关联的方法。它是探索数据的重要工具，可用于货币预测和时间序列建模。通过将数据拟合到函数（例如回归）可以平滑数据。线性回归包括找到拟合两个属性（或变量）的“最佳”线，以便可以使用一个属性来预测另一个属性。多元线性回归是线性回归的改进，其中…… 阅读更多

Orange 是一个 C++ 核心对象和例程库，包含大量标准和非标准机器学习和数据挖掘算法。它是一个开源的数据可视化、数据挖掘和机器学习工具。在 Orange 中，它是一个可脚本化的环境，用于快速原型化现有算法和测试设计。它是一组基于 Python 的模块，位于中心库中。它执行一些对性能时间不重要的功能，这些功能在 Python 中完成。它包括多个任务，包括决策树的漂亮打印、Bagging 和 Boosting、属性子集等。Orange 是一个…… 阅读更多

比特币钱包是一种数字钱包，可以发送和接收比特币。这类似于实体钱包。但是，它不是存储实体货币，而是存储可以访问比特币地址和发送交易的加密数据。各种比特币钱包也可以用于多种加密货币。以下几种类型的比特币钱包如下所示：桌面钱包 - 桌面钱包安装在台式机或笔记本电脑上，并为用户提供对钱包的完全控制。一些桌面钱包还包含更多功能，包括节点软件或交易所…… 阅读更多

比特币挖矿是指对交易数据进行验证并将其插入公共账本的过程。公共账本称为区块链，因为它包含一组区块。比特币是一种虚拟货币，具有某种价值，其价值并非静态的，而是会随时间变化。没有管理比特币交易的比特币监管机构。比特币是由化名（假名）中本聪创建的，他宣布了其创建，它被实现为一个开源程序。只有点对点的计算机货币版本才能允许在线支付直接从一个人发送到另一个人，而无需…… 阅读更多

跨行业标准流程数据挖掘 (CRISP-DM) 被认为是一种进一步标准化 M&V 方法的方法，并允许更有效地估算节能量。CRISP-DM 有几个应用，如下所示：业务理解 - 选择了一个生物医学制造工厂作为案例研究，以创建 DM 应用的可行性，以帮助 M&V。对所分析业务的质量理解对于在流程的建模和评估阶段执行结果至关重要。这是通过进行流程贯穿、学习流程流程图和…… 阅读更多

统计方法是基于模型的方法，例如为数据创建模型，并根据对象与模型的拟合程度来计算对象。大多数用于异常值检测的统计方法都依赖于开发概率分布模型并考虑对象在该模型下的可能性。异常值是一个关于数据的概率分布模型的概率低的物体。概率分布模型是通过计算用户定义分布的参数从数据中创建的。如果数据被认为具有高斯分布，则基本……的均值和标准差…… 阅读更多

异常检测有各种问题，如下所示：用于定义异常的属性数量 - 对象是否是异常的问题取决于单个属性，这是一个关于该属性的对象值是否异常的问题。因为一个对象可以有多个属性，所以它可以对多个属性具有异常值，但对多个属性具有普通值。此外，即使其属性值都不独立异常，一个对象也可能是异常的。例如，通常会有身高两英尺（儿童）或体重 300 磅的人…… 阅读更多

在异常检测中，目标是发现与多个对象不同的对象。通常，异常对象被称为异常值，因为在数据的散点图上，它们远离多个数据点。异常检测被称为偏差检测，因为异常对象的属性值与预期或一般属性值存在本质偏差，或者作为异常挖掘，因为异常在多种意义上都是异常的。在全球、人类社会或数据组的领域中，大多数事件和对象都是，通过表示，普通区域或规则的。但是它可能有一个敏锐的…… 阅读更多

在异常检测中，目标是发现与多个对象不同的对象。异常对象通常被称为离群值，因为在数据的散点图上，它们远离多个数据点。异常检测被称为偏差检测，因为异常对象的属性值与预期或一般的属性值存在本质上的偏差，或者被称为异常挖掘，因为异常在多种意义上都是异常的。异常检测的应用多种多样，如下所示：欺诈检测——持有信用卡的某人的购买行为与……阅读更多