自动替换文本内容。

场景：实现效果：代码如下：

场景：有一批站点，我们从系统导出这批站点的每一个月的信息表，如下图所示，我们想分析这批站点本年度的运行情况，但是表格太多且信息分散，如何汇总？可以人工一个一个操作表格，这个过程是重复、枯燥的过程，且有可能有遗漏，这时候就可以使用程序来代替人工处理了。实现效果：每个原始表格信息如下所示：例如：我们对所有原始多个表提取站点告警以及停电信息，统计汇总输出到一个表内，汇总表如下所示代码如下：#!user/

Kmeans聚类原则：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。逐次计算各簇中心的值为新的中心值，迭代更新，直至得到最好的聚类结果算法流程：适当选择k个类的初始中心；在第n次迭代中，对任意一个样本，求其到k个中心的距离，将该样本归到距离最短的中心所在的类/簇；利用均值等方法更新该类的中心值；对于所有的k个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束；否则，则继续

相信大部分人都见到过，下面的这两张对比图，用来解释为什么L1正则化比L2正则化更容易得到稀疏解，然而很多人会纠结于"怎么证明相切是在角点上？"，呃，不必就纠结于此，请注意结论中的"容易"二字，配图只是为了说明"容易"而已。假设x仅有两个属性，即w只有两个分量w1,w2，稀疏解->w1=0或w2=0，即w的等值线与平方误差等值线的切点位于坐标轴。事实上L1与L2均可以实现与平方误差等值线的切点

凸包算法+凹包算法+凸边凹化算法

支持向量机(SVM）可以找到这样一个超平面，使得所有相同类别的样本位于超平面一侧。如图示，可能存在无穷多个超平面。虽然他们的训练误差都等于0，但不能保证这些超平面在测...

为什么要标准化处理？什么情况下需要对数据标准化处理？哪些模型对标准化处理比较敏感？

1. 项目背景  泰坦尼克号的沉没是历史上最臭名昭著的沉船之一。1912年4月15日，在她的处女航中，被广泛认为“不沉”的“泰坦尼克号”在与冰山相撞后沉没。不幸的是，船上的每个人都没有足够的救生艇，导致2224名乘客和船员中有1502人死亡。虽然生存中有一些运气因素，但似乎有些群体比其他群体更有可能生存下来。在这里，建立一个预测模型来回答这个问题：“什么样的人更有可能生存？”使用乘客数据（即姓名，

SVM的可视化(不调用sklearn库)