self是Python类中一个非常重要的概念，它使得对象能够在其方法中引用自身的属性和其他方法。通过self访问和修改实例属性区分实例属性和局部变量实现方法链调用在类的内部方法之间传递实例。

在 TensorFlow 1.4.1 中，我的python版本是2.7.18。然后将代码中的引用全部改一遍。并修改代码以使用该包。

这里的相关性分析主要是线性相关性分析，当然其他的形状的相关性分析可以通过变换转换为线性相关性分析。但是，线性相关性分析始终是相关性分析的基础。

对于K折交叉验证可以这样理解，先将数据集按照索引升序进行排列，然后按照索引数量将数据集平均分成K段，从这K段中每次选出一段当作验证集进行验证，其他的当作训练集进行训练，得出分数后记录下来。特别值得注意的是all_mae_histories.append(mae_hitory)，这里每次添加的是一个列表，最后的all_mae_histories是一个二维的列表，每个子列表里面存储着对应模型的指标信息

对于一个现有的数据集，你需要对数据集进行一个透视，从而了解问题的实际情况和数据的分布特征。一般对于分类和回归问题，都有以下的步骤进行数据透视，从而对数据集有一个更深入的理解。加载数据，检查形状和完整性，并通过抽样对数据集所处的业务背景有一个清晰的认识。检测并处理缺失值（删除或填充）。检测并处理异常值（删除、截断或平滑）。调整形状、转换数据类型、归一化/标准化、特征工程（可选）。

分类正确的样本占总样本的比例。

在某些情况下，机器学习可能不是理解数据的最佳方式。例如，对于音乐推荐引擎来说，矩阵分解（协同过滤）比深度学习的效果更好。当你了解完这个领域的研究现状之后，你要根据效果选择是否使用机器学习模型。一旦你开发出令人满意的模型配置，你就可以在所可用数据（训练数据和验证数据）上训练最终的生产模型，然后在测试集上最后评估一次。如果模型的性能与之前实验（验证集上）的相差不大，恭喜你这个模型是可用的。如果模型在测

在 VSCode 中配置或选择项目环境通常涉及设置 Python 解释器、配置调试环境等。

两者都关系是拉格朗日插值法是一种比较基础的插值法，平常使用的时候SciPy库中的拉格朗日函数即可。缺失值处理的方法可以分为三类：删除记录、不处理、数据插补三中。数据清洗主要进行删除一些数据，处理一些异常数据等到工作。主要分为缺失值处理和异常值处理两种。数据预处理的主要内容包括数据清洗、数据集成、数据变换和数据规约。插补方法1：用一大坨数据的均值或中位数或众数进行缺失值的插补。插补方法3：用这个缺失