机器学习是概率论、线性代数、信息论、最优化理论和计算机科学等多个领域交叉的学科传统编程模式：规则+数据——>传统编程——>答案机器学习模式：数据+答案——>机器学习——>规则机器学习特点：以计算机为工具平台，以数据为研究对象，以学习方法为中心研究包括：（1）机器学习方法：旨在开发新的学习方法（2）机器学习理论：旨在探求机器学习的有效性和效率（3）机器学习应用：主要考虑机器学习模型应用到实际中去，解

'''Args:-----inputsReturns:--------NoneExample1--------Example2--------'''x: 2D，输入数据。: bool，默认为False。如果为True，则在符号分支中避免奇异点。y_th: float，默认为10.。用于判断是否避免奇异点的阈值。None：方法执行后不返回任何值今天内容主要包括MultKAN网络的初始化、正向传播方法

层次聚类（Hierarchical Clustering）是一类算法的总称，分为两种方式：凝聚法：从下往上不断合并簇，将小类进行聚合分裂法：从上往下不断分离簇，将大类分割成小类。

utils.py 包含了一系列用于处理符号函数、生成数据集、拟合参数、创建稀疏掩码、添加符号函数到库、四舍五入表达式、增强输入、计算模型参数的Jacobian和Hessian矩阵，以及从数据中创建训练和测试数据集的功能。符号函数处理f_invf_inv2f_inv3f_inv4f_inv5f_sqrtf_power1d5f_invsqrtf_logf_tanf_arctanhf_arcsinf_a

不得不说，这个hellokan跑下来，真的很丝滑，而且感受到了作者团队的心思缜密，除了发挥模型自身的优势（理论上），还将模型优化、模型可视化、模型版本等细节都展示出来了。这也是我第一次使用ipynb跑模型，感受到了逐步运行的乐趣。目前在模型训练的体验上我对KAN产生了十分的好感，至于它的功能是否真的强大，还需要其他案例的测试。欢迎感兴趣的小伙伴一起交流！

K-Means 算法是一种无监督的聚类算法，其核心思想是：对于给定的样本集，按照样本点之间的距离大小，将样本集划分为K个簇，并让簇内的点尽量紧凑，簇间的点尽量分开算法流程图如下：K-Means算法流程如图，以为例：我们需要将图(a) 中的样本点划分为两类，则K-means聚类过程如下：第 1 步：从M个数据对象中任意选择2个对象作为初始聚类中心，如图(b) 所示。

一个完整的数据挖掘项目流程主要包含六大部分，分别是商业理解、数据理解、数据准备、建立模型、模型评估、方案实施，如图所示数据挖掘项目流程。

本文详细介绍了线性回归的基本原理和过程，展现了线性回归模型的scikit-learn实现，包括：普通线性回归、基于 L1 正则化的Lasso回归、基于 L2 正则化的岭回归、基于 L1 和 L2 正则化融合的ElasticNet回归四种，从结果看ElasticNet回归模型的性能最优不足的一点，模型的参数是随意取值的，由于没有做模型优化，所以四种模型的预测准确率都不是特别高，而且四种模型的区分度也