案例2: 现有三个变量，分别为：a = 100，b = 200，c = 300，现需要将这三个变量值进行交换，将a,b,c的值分别赋值给c,a,b，并将其输出到控制台。5.字典(dict)：Python中的字典（dict），里面存储的是键值对（key: value）类型的数据，可以根据键(key)找到对应的值(value)。如："Python"'Python'"""Python"""案例1：将用户

与AI大模型的交互本质是无状态的，每一次请求响应都是相互独立的。（AI大模型本身没有真正的会话记忆能力）2.创建API key(首次创建一定要保存Key的值，以后不能显示查询)4.根据deepseek参考文档(deepseek官网中查询)填写信息。会话记忆-处理方案(会话历史滚雪球)3.安装Apifox，创建新项目。1.登录deepseek官网(

数据介绍给定的这些特征，是专家们得出的影响房价的结果属性。我们此阶段不需要自己去探究特征是否有用，只需要使用这些特征。到后面量化很多特征需要我们自己去寻找。

1.掌握KNN算法分类API2.掌握KNN算法回归API数据文件 train.csv 和 test.csv 包含从 0 到 9 的手绘数字的灰度图像。每个图像高 28 像素，宽28 像素，共784个像素。每个像素取值范围[0,255]，取值越大意味着该像素颜色越深训练数据集（train.csv）共785列。第一列为 “标签”，为该图片对应的手写数字。其余784列为该图像的像素值训练集中的特征名称均

solver损失函数优化方法训练速度:liblinear 对小数据集场景训练速度更快，sag 和 saga 对大数据集更快一些。newton-cg、lbfgs、sag、saga 支持 L2 正则化或者没有正则化2liblinear 和 saga 支持 L1 正则化penalty:正则化的种类，l1 或者 l2C:正则化力度默认将类别数量少的当做正例流失用户指的使用过产品因为某些原因不再使用该产品。

1.知道特征工程是什么？2.理解特征提取的作用3.理解特征预处理的作用4.了解特征降维、特征选择、特征组合。

决策树是什么？决策树是一种树形结构，树中每个内部节点表示一个特征上的判断，每个分支代表一个判断结果的输出，每个叶子节点代表一种分类结果决策树的建立过程1.特征选择：选取有较强分类能力的特征。2.决策树生成：根据选择的特征生成决策树。3.决策树也易过拟合，采用剪枝的方法缓解过拟合。Cart模型是一种决策树模型，它即可以用于分类，也可以用于回归。与ID3、C4.5等算法不同，CART在分类任务中使用基

Adaptive Boosting(自适应提升)基于 Boosting思想实现的一种集成学习算法，核心思想是通过逐步提高那些被前一步分类错误的样本的权重来训练一个强分类器。弱分类器的性能比随机猜测强就行，即可构造出一个非常准确的强分类器。训练时，样本具有权重，并且在训练过程中动态调整。被分错的样本的样本会加大权重，算法更加关注难分的样本。（观察下图）（1）不同的训练集—>调整样本权重（2）“关注”

一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。在聚类算法中根据样本之间的相似性，将样本划分到不同的类别中，对于不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。参数:n_clusters:开始的聚类中心数量整型，缺省值=8，生成的聚类数，即产生的质心（centroids）数。方法:计算聚类中心并预测每个样本属于哪个类别,相当于先调用fit(x),然后

朴素贝叶斯分类alpha：拉普拉斯平滑系数。