我们已经收集了一些词/词条，对这些词进行计数，并将它们归并成词干或者词元，接下来就可以做更多的事情。

K-均值聚类算法就是一种典型的聚类算法，之所以称之为K-均值是因为它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算而成。

有一种有效计算条件概率的方法被称为贝叶斯准则

训练分类器时的做法就是寻找最佳拟合参数，使用的是最优化算法。

有一种方法是再次划分数据集，这样我们就得到了3个数据集：用于构建模型的数据集、用于选择模型参数的验证集（开发集）、用于评估所选参数性能的测试集。

Pipeline类补单可以用于预处理和分类，实际上还可以将任意数量的估计器连接在一起。

我们定义一个需要搜索的参数网络，并利用管道和参数网格构建一个GridSearchCV。

对于线性模型来说，想要丰富特征，还有一种方法是添加原始数据的交互特征和多项式特征。这种特征工程通常用于统计建模，但也经常用于实际的机器学习应用中。

gamma参数用于控制高斯核的宽度，它决定了点与点之间“靠近”是指多大的距离，C参数是正则化参数，与线性模型类似，它限制了每个点的重要性(dual_coef_)。

利用一些有用的属性来总结树的工作原理，其中最常用的事特征重要性，它为每个特征树的决策的重要性进行排序。对于每个特征来说，它都是介于0到1之间的数字，其中0代表“根本没有用到”，1代表“完美预测目标值”。特征重要性的求和为1。