【Python机器学习】零基础掌握isotonic_regression等渗回归
遇到了数据不一致的困扰吗？
在市场分析、医疗研究或者其他数据密集型领域，经常会遇到一个问题：如何从一组不完全一致或者有噪音的数据中提取出有用的信息？例如，假设一家餐厅想要根据顾客的评分和消费金额来调整菜单。
| 顾客评分 | 消费金额（元） | 顾客年龄 | 访问次数 |
|---|---|---|---|
| 4.2 | 100 | 25 | 3 |
| 3.8 | 85 | 30 | 2 |
| 5.0 | 150 | 22 | 4 |
| 2.9 | 50 | 40 | 1 |
| 4.8 | 120 | 28 | 3 |
| 3.0 | 60 | 35 | 1 |
| 4.5 | 110 | 21 | 3 |
| 4.1 | 95 | 32 | 2 |
| 3.6 | 80 | 38 | 2 |
| 4.9 | 130 | 26 | 4 |
数据表中包含了顾客的评分、消费金额、年龄和访问次数，但这些数据可能受到多种因素的影响，导致数据之间的关系并不是线性的或者容易解释。怎么办？
一个解决方案是使用等渗回归（Isotonic Regression）。等渗回归能够在保持数据的原始结构的同时，对其进行平滑处