（总结对该任务学习心得，也可以列出对该任务的问题、疑惑与思考）1.多样性：中文分词任务具有多样性，不同的文本场景、行业、领域可能需要不同的分词方法和模型。因此，在实际应用中需要根据具体情况选择合适的分词工具和技术。2.方法比较：常见的中文分词方法包括基于规则的方法、基于统计学习的方法和基于深度学习的方法。不同方法各有优缺点，需要根据实际需求进行选择和比较。3.工具选择：针对中文分词任务，有许多开源

其实从数据库的角度来说，数据离散化也可以实现概念分层，比如用到的数据集中有经纬度属性，每个经纬度表示一个街区的真实地理位置，如果有辅助数据的话，我们可以合并邻近的街区为社区，这样经纬度属性就会变为社区属性，还可以将社区进一步合并为城市，这样经纬度属性就生成了城市名称属性。对训练集分别随机抽取10%，30%，50%和80%的样本作为训练子集，利用训练子集训练线性回归模型，然后在测试集上预测房价属性。

创建一个空字典，将4.1处理好的列表的每一项取出，以食物名为键，每种食物在事务集出现的次数作为值，食物每出现一次，给对应键的值+1，计算支持度计数，与阈值作比较，若大于阈值则为频繁项。3）元组tuple中的元素值是不可修改的（但可以通过切片slice的方式来获取指定的索引起始位置和终止位置的元素），而集合set中的元素是可修改的，比如删除指定的元素。在Python中，set 中的元素必须是可哈希（

创建一个空字典，将4.1处理好的列表的每一项取出，以食物名为键，每种食物在事务集出现的次数作为值，食物每出现一次，给对应键的值+1，计算支持度计数，与阈值作比较，若大于阈值则为频繁项。3）元组tuple中的元素值是不可修改的（但可以通过切片slice的方式来获取指定的索引起始位置和终止位置的元素），而集合set中的元素是可修改的，比如删除指定的元素。在Python中，set 中的元素必须是可哈希（

其实从数据库的角度来说，数据离散化也可以实现概念分层，比如用到的数据集中有经纬度属性，每个经纬度表示一个街区的真实地理位置，如果有辅助数据的话，我们可以合并邻近的街区为社区，这样经纬度属性就会变为社区属性，还可以将社区进一步合并为城市，这样经纬度属性就生成了城市名称属性。对训练集分别随机抽取10%，30%，50%和80%的样本作为训练子集，利用训练子集训练线性回归模型，然后在测试集上预测房价属性。

2）混合属性相异性度量规则，根据公式可知，由于我们已将含有空白值属性的样本删除，我们要计算出每两个对象之间除了非对称二元属性（若两对像取值皆为0）之外的属性总数。再根据不同属性所属的类型（标称，对称二元，数值，序数）来按照对应的规则计算其向异性，再根据公式相加即可得混合类型属性集的相异性度量。（2）将幸存属性设置为类别标签，使用K近邻算法作为分类算法（无需考虑PassengerID，name，ti

具体来说，当P值非常接近于零时，我们有足够的理由拒绝原假设，因为我们观察到的数据在原假设下的概率非常小，这被认为是统计上显著的。在统计学中，P值通常是一个介于 0 和 1 之间的概率值，表示观察到的数据或更极端情况出现的概率。这意味着观察到的数据在原假设下出现的概率较低，我们有足够的证据来怀疑原假设的真实性。水的浊度取决于悬浮状态的固体物质的数量。）是在统计假设检验中的一个重要指标，用于评估观察到

同样的，统计总乘客中Pclass属性的特征分布，已经幸存者在不同Pclass值中所占比例，可以明显发现，一等舱的乘客幸存概率最大，即社会地位越高，生存情况越好。（2）使用sns.catplot()函数绘制Pclass(序数)属性，Sex(二元)属性，Embarked(乘客上船地点，标称)属性的柱状图。再抽出幸存者的数据，进行相同的度量操作，进行对比。（1） 自由选择可视化方法，可视化数据集中的Pc