K-近邻算法的核心思想是根据「邻居」来「推断」你的类别。

网格搜索也叫超「参数搜索」，比如K-近邻算法的K值需要手动指定参数，这种参数就叫超参数。网格搜索通过预设几组超参数组合，每组超参数都用交叉验证进行评估，从而选出「最优」的参数组合来建立模型。sklearn 模块 GridSearchCV 很好的实现了网格搜索，它可以自动调参，只要把参数输进去，就能给出最优的结果和参数。

对「文本」进行特征提取时，一般会用「单词」作为特征，即特征词。TfidfVectorizer会计算特征词的「权重」，帮我们发现哪个词是最重要的。

写给每一个为了梦想而坚持努力的你。

updatexml()的基本用法、报错原理及脱库步骤

ctf.show WEB模块第4关是一个文件包含漏洞,页面提示了源码中的关键代码,使用include()函数接收url参数,include()函数包含的文件会被执行,从而造成任意代码执行,或者配合伪协议获取敏感文件甚至getshell;然而这一关伪协议不起作用,我们可以通过日志注入进行任意命令执行,从而getshell页面最明显的位置展示了源码的核心,提示我们利用文件包含漏洞包含日志文件,查看日志

通过getshell控制Web服务器后,通常权限很低,需要通过一些方式来提升权限

提取的特征当中，有一些相关（相似）的「冗余特征」，这种特征是没有必要统计的，我们需要「减少」相关的特征，留下不相关的特征。也就是「特征降维」。特征降维的方式有很多，这里使用其中的一种：方差选择法（低方差过滤）

处理数据之前，通常会使用一些转换函数将特征数据转换成更适合算法模型的特征数据。这个过程，也叫数据预处理。归一化是常用的预处理方式之一，就是把数据转换到 0~1 之间。

特征工程就是从「原始数据」中提取「特征」，以供「算法」和「模型」使用。简单来说就是将任意数据（比如文本和图像）转换为可用于机器学习的数字特征。