1.打开数据（csv文件、excel文件）2.查看数据（尺寸信息、查看列名等方法）初识pandas库与缺失值的补全。5.利用循环补全所有列的空值。4.众数、中位数填补空值。

1.定义：独热编码是一种将分类变量转换为机器学习模型可处理的数值向量的技术。其本质是用二进制向量表示每个类别，向量中只有一个位置为 1（表示该类别），其余位置为 0。2.技术原理：以简单分类变量为例：假设变量 “颜色” 包含 3 个类别：红色、绿色、蓝色。红色 → 独热编码：[1, 0, 0]绿色 → 独热编码：[0, 1, 0]蓝色 → 独热编码：[0, 0, 1]优势消除类别间的顺序假设（如

此外二分类的问题不需要独热编码，比如性别这个特征，男女不需要变成2个特征，性别男 性别女。此时这个特征的含义不是性别，而是：是否为男性，1是男性，0是非男。这里我们给Home Oweners来完成标签编码（信贷风险预测数据），按照贷款严重程度（抗风险能力），依次是：自有住房 ＜ 租房 ＜ 有其他贷款 ＜ 住房抵押贷款。字典是无序的、可变的，并且键（key）必须是唯一的。实际上借助一个映射函数也可以

假设你有 10 个特征（如收入、负债、信用评分、工作年限等），计算它们之间的相关系数后得到一个 10×10 的矩阵。如果直接画热力图，特征的顺序是随机的，可能看不出规律；比如：特征 A、B、C 可能和 “收入类指标” 的相关性很像（都与收入正相关，与负债负相关），聚类后它们会挨在一起；特征 D、E、F 可能和 “信用类指标” 的相关性很像（都与信用评分正相关），聚类后它们会形成另一组。这样一来，热

将训练集分成 K 个子集（比如 K=5），每次用 1 个子集当验证集，剩下的当训练集，重复 K 次，得到 K 个验证分数，取平均作为当前超参数的性能指标。：对于复杂模型（如神经网络）或大数据集，网格搜索的计算成本不可接受，而贝叶斯优化能用更少的迭代找到接近最优的参数。注：很多调参函数自带交叉验证，甚至是必选的参数，因此大多数时候需要交叉验证，不需要划分验证集了。：早期尝试不同区域（探索），后期聚焦