接下来，定义大模型交互逻辑接口。首先需要明确，需要执行操作的过程是：大模型识别到用户的意图中需要调用工具，那么其停留的阶段一定是在 Action：xxxx : xxxx 阶段，其中第一个 xxx，就是调用的函数名称，第二个 xxxx，就是调用第一个 xxxx 函数时，需要传递的参数。就目前的AI Agent 现状而言，流行的代理框架都有内置的 ReAct 代理，比如Langchain、LlamaI

*在这一事件中，增量更新的是大模型输出的参数`arguments`，这个参数中的内容是用于执行外部函数的，而非对“北京现在的天气怎么样?正如我们在上节课中介绍的，使用.beta.threads.runs.submit_tool_outputs方法用于提交外部工具的输出，此方法也支持流媒体输出，如果在这个阶段需要开启流媒体传输，我们就需要使用 stream=True 参数来明确指定。为了使第二个`R

策略为主，模型为辅：重点在于分群，比如收入、多头分群，模型作为一个工具，不用追求可解释性，作用是继续扩大收益。规则面：规则上线，转正的规则内部对比看其坏客户有没有被其他规则覆盖，拒绝的客户能不能回捞，分类归纳。原则：分群后风险水平的差异、分群后客户数据维度的差别性、分群后的分布稳定性、分群的可解释性。规则越少越好，先设计一个MVP，摸清客群，再迭代，不确定的规则可以离线观测。6.制定策略：规则挖掘

其中，tools告知模型可以用哪些参数，tool_choice告知模型是否可以用tools，一般设置为auto。解决方法：autogpt项目：调用外部工具解决，由此衍生出ai agent：能接入外部工具的ai。model=\ glm-4\ ,# 填写需要调用的模型名称。两个研究方向：开发特定的agents/强化大模型在某个领域的能力，后一个的大致方法如下图。参数的写法如上图所示，需要三个变量。前面

Class_weight:输入{0:1,1:3}则代表1类样本的每条数据在计算损失函数时都会*3，当输入balanced，则调整为真实样本比例的反比，以达到平衡，但实际情况中不常用。#UI多迭代10的6次方次，tol是优化算法的收敛容忍度，c是正则化项参数。pl1.fit(x_train,y_train)#直接fit会报错，要改变求解器为saga。score_l1#打印发现degree=3是最优解

kaggle竞赛之捷信金融违约预测竞赛-part1-数据探索及baseline建立

Choice(finish_reason='stop', index=0, logprobs=None, message=ChatCompletionMessage(content='你好！\\n', role='assistant', function_call=None, tool_calls=None))在代码环境中，ollama则提供了openai API风格的大模型调用方法。{'role

而大模型微调又分为全量微调和高效微调两种，所谓全量微调，指的是调整大模型的全部参数，而高效微调，则指的是调整大模型的部分参数，目前常用的高效微调方法包括LoRA、QLoRA、p-Tunning、Prefix-tunning等。这是模型保存和检查点创建的频率，允许你在训练过程中定期保存模型的状态,--model_name_or_path /mnt/workspace/.cache/modelscop

一.模型设计：需要考虑模型细分，样本选取（样本排除：观察期排除和表现期排除；观察期：产品（特殊产品如学生卡）/客群（VIP）/政策（年龄/无人行/欺诈等）/风险异常（如业务风险异常波动的时点，即某个月份坏账率较大的要排掉）评价标准：F检验（检验模型的整体显著性）/t检验（检验模型各个系数的显著性）/AIC/BIC（后两个均是衡量统计模型拟合优良性的一种标准）模型复杂度增大k增大，L也增大，AIC减

2.在GBDT中影响力巨大的max_features对标XGBoost中的colsample_by*系列参数，原则上来说影响力应该非常大，但由于三个参数共同作用，调参难度较高，在只有1个参数作用时效果略逊于max_features。对于取值可大可小，且原则上可取到无穷值的参数（num_boost_round，gamma、lambda、min_child_weight等），一般需要绘制学习曲线进行提