两个类别的支持向量（即离超平面最近的样本点）到超平面的*垂直距离之和。最大化间隔可以提高模型的泛化能力。

两个类别的支持向量（即离超平面最近的样本点）到超平面的*垂直距离之和。最大化间隔可以提高模型的泛化能力。

轮廓系数是一种用于评估聚类质量的内部指标，它通过计算样本到同簇和最近其他簇的平均距离来量化聚类效果，取值范围为[-1,1]，值越大表明聚类效果越好。其优点包括无需真实标签、直观可解释性强、可进行样本级分析等，但对非凸簇效果不佳且计算复杂度较高。典型应用包括确定最优聚类数k和评估聚类质量，Python中可通过scikit-learn的silhouette_score实现。

非线性转换是处理非正态分布、偏态数据的强大工具。使用 PowerTransformer 进行参数化幂变换（推荐用于回归、线性模型）使用 QuantileTransformer 进行分位数映射（适用于分布未知或复杂情况）合理使用非线性转换可显著提升模型性能，尤其在数据分布不理想时。始终记得在训练集上拟合变换器，并应用于测试集，避免数据泄露。

ColumnTransformer 实用指南 本指南介绍了 scikit-learn 中 ColumnTransformer 的核心功能，用于高效处理异构数据集。ColumnTransformer 允许对不同类型的数据列（数值型、类别型、文本型等）应用特定转换器，并自动拼接结果。 核心优势： 统一管理各类数据的预处理流程 避免训练/测试集数据泄露 可无缝嵌入机器学习管道 支持按列名、索引或数据类型

sklearn.metrics模块提供多种回归评估指标，包括可解释方差分数(explained_variance_score)。该分数通过1减去残差方差与目标方差的比值计算，最优值为1.0。参数multioutput支持三种计算方式：均匀平均('uniform_average')、原始值('raw_values')和方差加权('variance_weighted')。示例展示了不同预测质量下的得分

计算机视觉致力于让机器“看懂”图像和视频，广泛应用于安防、自动驾驶、医疗影像、工业质检等领域。NLP 让机器理解、生成人类语言，是大模型时代的核心领域，应用于智能客服、搜索引擎、写作助手、翻译系统等。强化学习通过“试错+奖励”机制训练智能体（Agent）在环境中做出最优决策，广泛应用于游戏AI、机器人控制、自动驾驶决策等。大厂面试通常分为简历筛选、笔试/在线编程测试、技术面试（算法与系统设计）、H

计算机视觉致力于让机器“看懂”图像和视频，广泛应用于安防、自动驾驶、医疗影像、工业质检等领域。NLP 让机器理解、生成人类语言，是大模型时代的核心领域，应用于智能客服、搜索引擎、写作助手、翻译系统等。强化学习通过“试错+奖励”机制训练智能体（Agent）在环境中做出最优决策，广泛应用于游戏AI、机器人控制、自动驾驶决策等。大厂面试通常分为简历筛选、笔试/在线编程测试、技术面试（算法与系统设计）、H

两个类别的支持向量（即离超平面最近的样本点）到超平面的*垂直距离之和。最大化间隔可以提高模型的泛化能力。