如何使用随机森林，Bagging等机器学习中的类，并且其相关的操作原理及流程， 重要参数说明。

机器学习 该练习包括一方面使用不同的重采样技术来分析信用风险，另一方面使用集成技术来分析信用风险。 在第一部分中，我们将使用过采样，欠采样以及组合的（过高和不足）采样技术来查看哪种模型在预测信用风险方面做得更好。 在第二部分中，我们将使用不同的集成技术进行相同的操作，以查看哪种模型在预测信用风险方面也做得更好。 分析记录位于ipynb文件中。 重采样技术： 哪种型号的平衡准确度得分最高？ 在本练习中，我们使用了4个模型：朴素的随机过采样，SMOTE过采样，欠采样和组合（上下采样）采样

纽约市犯罪 纽约市犯罪活动的数据分析和可视化 规格 该项目使用来自opendatanetwork的数据集“ NYPD逮捕数据（年初至今）”。 操作说明 一切都立即可用。 无需配置。 可以使用Google Colab或Jupyter-notebook打开nyc-crime-dataclening.ipynb文件。 数据文件是使用与Socratas数据库集成的OpenClean库导入的。 仅对于Google Colab，在运行完所有执行代码以进行数据清理之后，可以保存和下载结果文件。 用法 _