（1）读取名为fan.jpg的图片，将尺寸设置为宽640，高480，然后逆时针旋转90度；（3）在提取边缘的基础上，查找轮廓并选取扇子的外轮廓，生成相应的掩模；8、cv2.bitwise_and()找到原图中对应的扇子。5、cv2.findContours()找轮廓。4、cv2.threshold()阈值处理。6、cv2.drawContours()画轮廓。3、cv2.Canny()边缘检测。1、

利用回归方程 (函数) 对一个或多个自变量 (特征值) 和因变量 (目标值) 之间关系进行建模的一种分析方式。

有严格的数学理论支持，可解释性强，不同于传统的统计方法能简化我们遇到的问题。能找出对任务有关键影响的样本，即支持向量。软间隔可以有效松弛目标函数。核函数可以有效解决非线性问题。最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了 “维数灾难”。SVM 在小样本训练集上能够得到比其它算法好很多的结果。对大规模训练样本难以实施。

优点：理论基础坚实：贝叶斯算法基于贝叶斯定理，它为概率模型的学习和推理提供了明确的理论框架。易于实现：贝叶斯算法的逻辑简单，只要使用贝叶斯公式转化即可，因此易于实现。分类过程中时空开销小：贝叶斯算法假设特征之间相互独立，因此在分类过程中，只会涉及到二维存储，大大降低了时空开销。易于并行化：贝叶斯算法可以很方便地进行并行化处理，提高计算效率。缺点：假设前提：贝叶斯算法假设样本特征彼此独立，这个假设在

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