作用：导入 PyTorch 核心库，所有深度学习操作的基础。类比：就像写作文要先拿笔，torch就是深度学习的 “笔”。作用：导入 PyTorch 的神经网络模块（Neural Network）。核心功能：提供搭建 CNN、全连接层、卷积层等所有网络层的工具。关键：我们搭建的所有 AI 模型，都依赖这个模块。作用：数据加载器，批量管理数据集。通俗理解：把大量图片打包成 “小包裹”，一次性喂给电脑，

在机器学习中，分类问题是最常见的任务之一。比如根据病人的各项指标判断病情等级、根据用户行为预测会员等级等。本文使用一个已经预处理好的多分类数据集（标签为 0、1、2、3），分别用 7 种经典的分类算法进行建模，并对比它们在测试集上的表现。本文以众数填充为例子。每个文件的第一列是标签（y），后面的列是特征（x）

上篇我们介绍了删除法、均值填充和中位数填充，适合快速处理简单缺失问题。本篇将带来三种更“智能”的填充方式：众数填充（分组模式）、线性回归预测填充和随机森林预测填充。它们能更好地利用数据内在关系，尤其适合缺失值较多或特征关联性强的场景。本文围绕矿物分类数据缺失值填充，详细讲解了分组众数填充、线性回归填充、随机森林填充三种智能预处理方法。众数填充按矿物类型分组取高频值填充，简单高效、无模型开销，适合快

在真实的数据挖掘项目中，原始数据往往并不完美——缺失值是最常见的问题之一。如果直接使用含有缺失值的数据训练模型，可能会导致：模型无法计算（很多算法不支持缺失值）统计偏差（缺失并非随机）信息浪费（直接删除行会丢失有用信息）因此，在建模之前，我们需要对缺失值进行合理的填充或删除。即数据预处理。小样本数据：优先考虑中位数或均值填充，避免删除后样本不足。数据量充足且缺失少：直接删除法最简单可靠。下一篇文章

信用卡欺诈检测是典型的类别极不平衡问题：正常交易（负样本）远多于欺诈交易（正样本）。如果直接用原始数据训练，模型会偏向多数类，导致召回率（Recall）很低。本文采用 SMOTE 过采样 技术生成少数类（欺诈）的新样本，使正负样本数量平衡，再使用逻辑回归建模，并通过交叉验证选择最佳正则化参数，最终评估模型性能。如果对该项目有兴趣但是没有了解的读者，可以先观看博主关于逻辑回归下采样的文章。【机器学习

信用卡欺诈是典型的类别极不平衡的分类问题：正常交易（负样本）远多于欺诈交易（正样本）。如果直接用原始数据训练模型，模型会倾向于把所有样本都预测为“正常”，导致召回率极低。本文使用下采样（Undersampling）平衡正负样本，并用逻辑回归建模，最后通过调整分类阈值提升欺诈交易的召回率。本文通过一个完整的代码实例，展示了信用卡欺诈检测的完整流程：数据标准化与清洗—>下采样处理类别不平衡—>交叉验证

在计算机视觉领域，OpenCV 是最经典、最常用的开源图像处理库，无论是基础的图像变换、噪声处理，还是进阶的目标检测、图像分割，都离不开 OpenCV 的核心操作。本次案例全覆盖图像阈值处理、图片打码 / 组合 / 缩放、椒盐噪声生成与平滑滤波、图像像素运算四大核心模块，搭配逐行代码解析 + 原理详解 + 效果说明，流程清晰、零基础可学，非常适合作为 OpenCV 图像处理的入门实战教程。如果对计

线性回归是机器学习中最基础、最经典的监督学习算法，也是新手入门机器学习的首选算法。它的核心思想是通过拟合一条直线 / 超平面，来描述自变量和因变量之间的线性关系，既可以用于预测连续数值，也能分析变量间的关联规律。scikit-learn（简称 sklearn）是 Python 中最常用的机器学习库，封装了完善的线性回归算法接口，无需手动实现复杂数学计算，只需几行代码就能完成模型训练、预测和评估。专

本篇文章从零起步，不讲晦涩公式推导，用大白话讲懂混淆矩阵所有知识点，零基础也能一次性吃透，学完直接用于项目实战、论文实验、模型调优。混淆矩阵是分类任务中最核心的模型评估表格，专门用来直观统计模型预测结果对错分布，主要应用在二分类、多分类场景，日常使用最多的是二分类混淆矩阵。简单理解：把真实标签和模型预测标签两两对应摆放，统计每一种组合的样本数量，形成的二维表格就是混淆矩阵。它的最大作用就是不再只看

OpenCV 是目前最主流的计算机视觉开源库，零基础也能快速上手。本文整理日常开发最常用的OpenCV 基础操作，包含图片读写、灰度图、图像属性、ROI 区域截取、颜色通道拆分合并、视频帧处理，代码可直接复制运行，适合新手入门学习。本文涵盖 OpenCV 最核心八大基础用法：图片读取展示、灰度转换、图像属性查看、区域裁剪、纯色修改、视频播放、摄像头调用。熟练掌握以上代码，就能完成绝大多数基础图像处