实际上a,b,c=1,2,3这个神奇的表达是我们python一个很难的知识点，叫做解包。对这些经典的表达记住，未来会有更深入的理解。你可能看一些比较老的代码中还有format和%这样的格式化方法，现在基本都不用了。ipynb文件很好的一个点是，不用print也可以输出一个变量的值，但是仅限一个。开头的特殊字符,用于表示一些无法直接输入的字符或特殊功能。姓名: "小明", 城市: 北京。我的名字是小

day5主要针对离散特征做编码，day6针对连续特征做可视化之前已经说过，对于数据可视化一般会进行如下操作。

本教程介绍在 VSCode 中查看 Python 函数参数的多种方法。

目前我们只会用到映射这个用法,他需要传入的是字典,因为字典的键值对,键是唯一的,值可以重复。这很符合数据的特征是固定的,但是值可以变化这个特性。所以后续想完成新的映射,直接修改字典的键值对即可。: 字典是Python中非常重要的数据结构,在数据处理中经常用于映射和转换。'Alice'好的进入正题。

热力图(Heatmap)是一种通过颜色深浅来展示数据矩阵的可视化方法。在数据分析中,我们常用热力图来展示特征之间的相关系数矩阵。相关系数的含义:- 取值范围: [-1, 1]- 接近1: 强正相关(一个增加,另一个也增加)- 接近-1: 强负相关(一个增加,另一个减少)- 接近0: 无线性相关关系注意事项:- 热力图适合展示连续变量之间的关系- 对于离散变量,相关系数的意义需要谨慎解读- 本例中为

之前光看纸质内容，很难理解标签和特征的意思，也不懂为什么要划分测试集和训练集，划分的意义是什么，到底怎么训练的。原来机器学习与深度学习更像是一个实践课程，和做很多事情一样，干中学更好理解和使用。

模型组成= 算法 + 实例化设置的外参（超参数）+ 训练得到的内参调参原则：只要调参就需要考2次传统方式：划分训练集、验证集、测试集现代方式：很多调参函数自带交叉验证（可省去验证集）方法原理优点缺点适用场景网格搜索穷举所有参数组合能找到最优解计算量大，维度灾难参数空间小，计算资源充足随机搜索随机采样参数组合效率高于网格搜索可能错过最优解参数空间大，中等计算资源贝叶斯优化基于概率模型智能搜索高效，收

items() 方法是 Python 中 字典 (Dictionary) 对象的一个非常常用的方法。在python历史中，字典是无序的，Python 3.7 及更高版本，字典正式成为有序的。字典的items方法，这个方法很重要，在后面深度学习的代码中自由度很高，我们会频繁接触到这个方法，我们来介绍下。聪明的你肯定注意到了，这和我们前几天说的enumerate方法非常像，他可以遍历任何可迭代对象，返

-- 1. 默认参数随机森林 (训练集 -> 测试集) ---训练与预测耗时: 0.9480 秒默认随机森林 在测试集上的分类报告：默认随机森林 在测试集上的混淆矩阵：今天介绍下遗传算法，在你以后的论文写作中可以水一节，胆子大的人才可以水一章这些算法仅作为你的了解，不需要开始学习，如果以后需要在论文中用到，在针对性的了解下处理逻辑。下面介绍这几种常见的优化算法。

特性修改类别权重 (修改分类阈值作用阶段模型训练时模型预测（或评估）时作用对象模型的损失函数参数学习过程模型输出概率/分数到最终预测的决策规则对模型影响改变学习到的模型本身和决策边界不改变已学习到的模型性质根本性调整，代价敏感学习后处理性质的调整目标侧重学习一个内在区分能力更强的模型在现有模型上调整性能指标的权衡实现方式设置算法的参数（如在预测后应用不同的概率门槛。