优缺点优点理论基础与效率：源于古典数学理论，分类效率稳定。像在文本分类场景中，能快速处理大量文本并分类。数据适应性：对缺失数据敏感度低，算法简单。实际应用中，即使数据存在部分缺失，也不影响整体分类效果（因为我们计算的是属于某一类的概率，概率比较大小即可，缺失数据不影响）。分类性能：分类准确度较高且速度快，在文本处理等领域广泛应用。缺点特征关联问题：基于样本属性独立性假设，当特征属性存在关联时，分类

类别不平衡是指数据集中不同类别的样本数量差异很大的情况。一个三分类问题，其中：类别0: 64个样本(1.28%)类别1: 262个样本(5.24%)类别2: 4674个样本(93.48%)这种极端不平衡会导致模型偏向多数类，忽视少数类。

这完全是我自己想出来的，我太开心啦，哈哈哈：1.概述：elasticsearch是一个开源的分布式搜索引擎，可以用来实现搜索、日志统计、分析、系统监控等功能比如：elastic stack（ELK）是以elasticsearch为核心的技术栈，包括beats、Logstash、kibana、elasticsearch，这是这个技术栈的基本架构，数据可视化，数据抓取的技术栈不一定要依靠这三个，但数据

通常情况下LangChain4j是允许我们指定文本片段的字符容量的，假设我指定单个文本片段的字符容量为300，那么在组合文本片段的时候，第一部分的自然段和第二部分的自然段的字符总和不到300，可以放到同一个文本片段中，但是加上第三部分的自然段，字符总和超过了300，那么第三部分的自然段就不能再放到这个文本片段中了，而是放到下一个新的文本片段中。注意这里的配置和之前配置的redis不相干，这里配置的

全梯度下降算法（FG）原理：计算训练集所有样本误差并求平均作为目标函数，利用所有样本计算损失函数关于参数theta的梯度，权重向量沿梯度反方向移动。公式为：优缺点：优点是能准确朝着最优解方向更新；缺点是计算所有样本梯度，速度慢，无法处理超内存数据集，不能在线更新模型。随机梯度下降算法（SG）原理：每次只代入计算一个样本目标函数的梯度来更新权重，不断重复，直至损失函数值满足停止条件。迭代公式为（无求

1.另一种形式的绘制多个图（之前是用坐标系来控制每个图的样式）学习第一点：plt可以和sns结合使用，plt可以设置sns图的一些格式很全面。设置seaborn的绘图风格为darkgrid，即深色网格背景，让图形更美观学习第三点：plt.subplot(a，b，c)是。

1.matplotlib图像结构2.基本画图框架模块。这是 Python 中一个用于数据可视化的强大模块，其中的函数与 Matlab 的绘图函数类似，方便易用，一般通过导入。以下是使用：使用：以折线图为例，假设我们有一组数据，使用plt.plot()：使用plt.show()函数展示绘制好的图像3.基本修饰3.1图的刻度：如第二张图代码所示，先导入和random模块。通过range(60)生成表示

监督学习：输入数据由特征值和目标值组成，输出可以是连续值（回归问题，如根据房屋平米数预测房价），也可以是有限个离散值（分类问题，如根据肿瘤特征判断其良性或恶性）。无监督学习：输入数据只有特征值，无目标值，数据未被标记。通过样本间的相似性对样本集进行类别划分，比如对不同人物按特征分类。半监督学习：训练集包含有标记和未标记的样本数据。一种训练方式是先对大量未标记数据由专家打标签，生成大量标记数据用于监

用于创建一个指定形状（shape）和数据类型（dtype）的数组，数组元素全部初始化为 1。shape是一个整数或整数元组，表示数组的维度大小；dtype可选，指定数组元素的数据类型，默认是float64。：以给定数组a为模板，创建一个形状和a相同的数组，元素全部初始化为 1。同样，dtype可选，用于指定新数组的元素类型，若不指定，则沿用a的元素类型。：创建一个指定形状（shape）和数据类型（

Series 是 Pandas 中类似于一维数组的数据结构，能保存整数、字符串、浮点数等任何类型数据，由数据和相关索引两部分构成。就像一个有序的键值对集合，索引相当于键，数据相当于值。DataFrame 是 Pandas 中类似二维数组或表格（如 Excel）的对象，兼具行索引（横向，axis=0 ）和列索引（纵向，axis=1 ） ，方便对二维数据进行操作和管理。apply。