matplotlib是python中最常用的数据可视化分析工具，Mac和Linux系统无中文字体，不支持中文显示（希望后续可以改进），需要进行字体的下载和设置才能解决。笔者经过实践，发现Mac系统和Linux系统解决方案略有区别，因此分别记录一下，供读者参考。

本文介绍了AI Agent中MCP（模型上下文协议）的工作原理，通过查询城市天气的案例解析其运作流程。MCP配置不是代码导入，而是连接外部工具的标准化契约。当用户添加MCP服务时，Agent Host会启动MCP Server并建立通信通道，通过初始化握手和能力发现让Agent获知可用工具。MCP SDK会将工具Schema转换为LLM支持的Function Calling格式注入上下文，Agen

本文介绍了AI Agent中MCP（模型上下文协议）的工作原理，通过查询城市天气的案例解析其运作流程。MCP配置不是代码导入，而是连接外部工具的标准化契约。当用户添加MCP服务时，Agent Host会启动MCP Server并建立通信通道，通过初始化握手和能力发现让Agent获知可用工具。MCP SDK会将工具Schema转换为LLM支持的Function Calling格式注入上下文，Agen

本文介绍了AI Agent中MCP（模型上下文协议）的工作原理，通过查询城市天气的案例解析其运作流程。MCP配置不是代码导入，而是连接外部工具的标准化契约。当用户添加MCP服务时，Agent Host会启动MCP Server并建立通信通道，通过初始化握手和能力发现让Agent获知可用工具。MCP SDK会将工具Schema转换为LLM支持的Function Calling格式注入上下文，Agen

本文介绍了AI Agent中MCP（模型上下文协议）的工作原理，通过查询城市天气的案例解析其运作流程。MCP配置不是代码导入，而是连接外部工具的标准化契约。当用户添加MCP服务时，Agent Host会启动MCP Server并建立通信通道，通过初始化握手和能力发现让Agent获知可用工具。MCP SDK会将工具Schema转换为LLM支持的Function Calling格式注入上下文，Agen

GBDT (Gradient Boosting Decision Tree) 是机器学习中一个长盛不衰的模型，该模型具有训练效果好、不易过拟合等优点。在各种数据挖掘竞赛中也是致命武器，据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。而LightGBM（Light Gradient Boosting Machine）是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训

在深度学习领域中，Embedding层扮演着至关重要的角色，尤其在处理文本数据或类别数据。Embedding层的功能有两个：1. 将高维稀疏的输入数据（如单词、类别标签等）转换为低维稠密的向量表示，可以大幅降低数据存储和计算量。2. 低维稠密向量捕获了输入之间的语义和上下文信息，语义相近、类别相近的单词或者类别，其表示向量相似度也高，使得模型能够更好地理解数据信息并进行预测推理。上述两个原因，使得

模型融合方法广泛应用于机器学习中，其原因在于，将多个学习器进行融合预测，能够取得比单个学习器更好的效果，实现“三个臭皮匠，顶一个诸葛亮”，其原因在于通过模型融合，能够降低预测的偏差和方差。本文对模型融合中常见的三种方法进行一个简要介绍：包括Bagging、Boosting、Stacking.........

深度学习网络的训练可能会很慢、也可能无法收敛，本文介绍使用keras进行深度神经网络训练的加速技巧，包括解决梯度消失和爆炸问题的策略（参数初始化策略、激活函数策略、批量归一化、梯度裁剪）、重用预训练层方法、更快的优化器算法，以及学习率的调度策略。

内容参考自：ML-NLP/Machine Learning/3.Desition Tree at master · NLP-LOVE/ML-NLP · GitHub，有修改1. 什么是决策树1.1 决策树的基本思想其实用一下图片能更好的理解LR模型和决策树模型算法的根本区别，我们可以思考一下一个决策问题：是否去相亲，一个女孩的母亲要给这个女海介绍对象。大家都看得很明白了吧！LR模型是一股脑儿的把所