如果你写带随机行为的工具函数，强烈建议用它统一处理种子# 标准化处理随机种子# 使用返回的 rng 生成随机数# 调用：传整数 → 可复现作用：统一校验随机数种子，返回标准实例，保证随机性可复现。输入：支持None/ 非负整数 /实例。使用：自定义随机函数、调用 sklearn 模型时都可以用，是实现可复现实验的核心工具。优势：安全、无副作用、兼容 sklearn 全生态。两个导入路径，指向同一个

偏置项bbb。

模型目标函数凸性梯度=0 得到有无解析解线性回归平方损失（二次）凸线性方程组有逻辑回归交叉熵 + sigmoid凸非线性方程组无软 SVM/线性 SVM合页损失凸非线性/含约束无凸不凸决定有没有全局最优，求导后是不是线性方程，才决定有没有解析解。如果你需要，我可以把逻辑回归梯度推导、Hessian 半正定证明、以及为什么非线性方程无闭式解，用更数学的形式完整写一遍。全局最优存在性，梯度方程是否为线

使用的数据集是：Kaggle上的Road Sign Detection数据集。该数据集共有877张图片。因为使用了OpenCV所以各种路径中不能有中文。这个是一定要注意的。在测试集上的分类准确率为：90.34%

半监督学习是一种介于监督学习和无监督学习之间的机器学习方法，它利用大量的未标记数据和少量的标记数据来进行模型训练。

1. **自训练（Self-training）**：模型先用少量标记数据进行训练，然后使用这个模型来预测未标记数据的标签。通过这个过程，模型学习到数据的分布，从而提升分类器的性能。6. **伪标签（Pseudo-labeling）**：使用模型对未标记数据进行预测，并将置信度高的预测结果作为“伪标签”，这些伪标签与真实标签一起用于模型训练。8. **拉普拉斯正则化（Laplacian Regula

使用的数据集是：Kaggle上的Road Sign Detection数据集。该数据集共有877张图片。因为使用了OpenCV所以各种路径中不能有中文。这个是一定要注意的。在测试集上的分类准确率为：90.34%

import pandas as pdfrom sklearn import datasetsimport matplotlib.pyplot as pltimport matplotlib.cmfrom sklearn.model_selection import train_test_splitfrom sklearn.neighbors import KNeighborsClas...

from sklearn.model_selection import KFoldfrom sklearn.datasets import load_irisfrom sklearn.ensemble import RandomForestClassifierimport numpy as npX,y = load_iris(return_X_y=True)KF = KFold(n_s...

K-means的聚类中心