本文总结了Python数据处理中map、apply、agg和transformer四种函数的用法。map主要用于Series单列数据的元素级一对一映射；apply支持更复杂的元素级或行列级处理，包括自定义函数；agg用于聚合计算；transformer则用于数据转换。文中通过生成示例数据，展示了如何使用map进行文本替换和简单计算，以及apply处理多条件分类和行级计算。每种方法各有特点，适用于不

本文重点介绍了LightGBM的实现及调参方法。作为GBDT家族的高效框架，LightGBM通过直方图算法、单边梯度采样等优化策略，在速度和内存效率上优于XGBoost。文章首先详解了LightGBM的关键参数（如num_leaves、learning_rate等），然后给出Python实现的两种方式：Scikit-learn接口和原生API示例。在调优部分，重点讲解了使用GridSearchCV

最近在学习李航老师的《统计学习方法》第16章-主成分分析（PCA），结合运用python代码实现，记录一下。

本文介绍了通过Open-Meteo API获取气象数据的方法，包含历史数据和未来16天预报。使用Python代码只需输入经纬度即可获取11项气象指标数据（如温度、风速、降水量等）。历史数据通过archive-api获取，未来预报通过forecast-api获取，两种数据获取方式都配置了缓存和重试机制以保证稳定性。输出结果包含坐标、时区信息，并转换为Pandas DataFrame格式存储。

本文介绍了朴素贝叶斯分类方法及其应用。朴素贝叶斯基于贝叶斯定理与特征条件独立假设，通过计算后验概率实现分类。文章详细阐述了基本理论、参数估计方法（极大似然估计和贝叶斯估计），并提供了计算案例帮助理解。根据不同特征类型，朴素贝叶斯可分为高斯、多项式和伯努利等变体。最后通过Python代码实现了高斯朴素贝叶斯对鸢尾花数据集的分类，可视化展示了决策边界和混淆矩阵，准确率达到93.33%。该方法在文本分类

Python实现Prophet时序预测模型：Prophet模型的输入必须只包含两列数据。

激活函数是神经网络中的关键组件，它通过引入非线性因素，增强了模型的表达能力，使其能够处理复杂的任务。激活函数的主要作用包括：突破线性模型的限制、控制输出值范围、影响梯度传播以及增加网络稀疏性。常见的激活函数有Sigmoid、Tanh、ReLU、Softmax和Swish等，每种函数都有其独特的特性和适用场景。选择合适的激活函数对模型性能至关重要，能够显著影响训练效果和计算效率。通过Python实现

Boosting 算法理论及python代码实现