全称是 k-nearest neighbors，通过寻找 k 个距离最近的数据，来确定当前数据值的大小或类别。是机器学习中最为简单和经典的一个算法。

copy,with_mean,with_stdcopy=True作用：决定标准化操作是在原数据上直接修改，还是创建一个副本进行处理。copy=True（默认）：生成数据的副本进行计算，原始数据不会被改变，适合需要保留原始数据的场景。copy=False：直接在输入数据上原地修改，节省内存，但原始数据会被覆盖，仅在内存紧张且无需保留原始数据时使用。作用：控制是否对数据做中心化处理（即每个特征减去自身

Bagging（Bootstrap Aggregating）是集成学习方法中的一个大类，其目标是通过减少整体的方差来提高系统的性能。具体来讲，这类集成学习方法通过自助采样法（Bootstrap Sampling，随机有放回的抽样）生成多个训练集，然后在每个训练集上训练出一个“基学习器”，最后通过对所有“基学习器”的结果进行投票（分类问题）或平均（回归问题）的方式得到最终结果。因此，这类集成学习方法

创建了：考虑 1 元词（单个词）、2 元词（两个词的组合）和 3 元词（三个词的组合）常用参数还有：max_features=n：n为整数，只保留出现频率最高的 n个特征（词语或词组），如max：只保留出现频率最高的 6 个特征（词语或词组）fit：分析文本，构建词汇表transform：将文本转换为词频矩阵cv.fit_transform(texts) 与cv.fit(text)的区别：只分析文

深度学习的主要特点是使用多层次的神经网络来提取和学习数据中的特征，并通过反向传播算法来优化网络参数，从而实现对复杂数据的建模与分类。

如果把 LLM 比作汽车的发动机，那么 LangChain 就是完整的汽车底盘 + 传动系统 + 控制系统 —— 它让 “发动机” 能适配不同的 “车身”（应用场景），实现更复杂的 “行驶功能”（业务逻辑）。Chains 是 LangChain 的 “灵魂”，它允许将多个组件（LLM、Prompt、检索器等）组合成一个可执行的流程，解决 “单步操作无法完成复杂任务” 的问题。LangChain 框

首先定义了抽取规则，其次定义了提示词模板和缺失值处理规则，构建了一个示例传给了历史记录，将当前问题与历史对话进行拼接，最后将拼接的结果发送给大模型实现信息抽取。这里通过一个死循环实现连续传入信息。方式安装模型到本地。

Docker直译是“码头工人”，核心作用就是搬运、打包、部署应用，它是一款开源的应用容器引擎，也是目前行业主流的轻量级虚拟化解决方案。简单来说：开发者可以将应用程序、所有依赖库、环境配置统一打包成一个可移植的容器，实现一次打包、随处运行，彻底解决“本地能跑、线上报错”的环境兼容问题。Docker容器基于沙盒机制运行，容器之间相互隔离、无交互、互不影响，几乎无性能损耗，可快速部署在任意Linux服务

1. 激活函数的核心价值是引入非线性，让深层网络具备复杂拟合能力；2. 传统Sigmoid/Tanh因梯度消失、计算低效，已逐步退出隐藏层，仅保留少量输出层场景；3. ReLU系列是传统CV、通用模型的基石，Leaky ReLU解决其神经元死亡缺陷；4. Swish、GELU属于进阶平滑激活函数，适配深层、高精度、大模型场景，是当前前沿模型的主流选择；5. 工程落地优先遵循通用选型规则，可极大降低

dlib 是一个基于C++ 开发的跨平台现代工具包，内置大量成熟的机器学习算法、图像处理算法和数值计算工具。它不仅可以用于通用机器学习任务，更是人脸计算机视觉领域的标杆库，主流应用场景：人脸检测、人脸框选68点人脸特征点定位（五官精准标记）人脸识别、人脸比对人体姿态估计、目标跟踪视频实时AI处理、动态人脸检测dlib是计算机视觉和机器学习领域轻量化、高精度、易落地的开源神器，非常适合新手入门人脸识