特点：只有⼀个⾃变量的情况称为单变量回归，多于⼀个⾃变量情况的叫做多元回归。注释：单特征与⽬标值的关系呈直线关系，或者两个特征与⽬标值呈现平⾯的关系。更⾼维度的我们不⽤⾃⼰去想，记住这种关系即可。注释：为什么会这样的关系呢？知道岭回归的原理及与线性回归的不同之处。知道过拟合与⽋拟合的原因以及解决⽅法。常⻅函数的求导⽅式和导数的四则运算。知道回归算法的评估标准及其公式。关系进⾏建模的⼀种分析⽅式。特

多维数组：张量可以看作是一个n维数组，其中n可以是任意正整数。它可以是标量（零维数组）、向量（一维数组）、矩阵（二维数组）或具有更高维度的数组。数据类型统一：张量中的元素具有相同的数据类型，这有助于在GPU上进行高效的并行计算。支持GPU加速：PyTorch中的张量可以存储在CPU或GPU上，通过将张量转移到GPU上，可以利用GPU的强大计算能力来加速深度学习模型的训练和推理过程。

循环神经网络RNN循环神经网络）是一种用于处理序列数据的神经网络架构。其在处理序列输入时具有记忆性，可以保留之前输入的信息并继续作为后续输入的一部分进行计算。与传统的前馈神经网络不同，RNN能够在处理序列数据时捕捉序列中的时间依赖关系，即当前时刻的输出不仅依赖于当前时刻的输入，还依赖于过去时刻的输入（或称为状态）。如下图所示，例如有一句话，“我要去打球”，将其分词成“我”、“要”、“去”、“打球”

然而，SVM的训练速度较慢，且对参数选择敏感。支持向量机是一种二分类模型，其基本思想是找到一个超平面，将不同类别的数据分隔开，并且使得两类数据点到超平面的距离（即间隔）最大化。对于非线性问题，SVM通过核函数将数据映射到高维空间，使其在高维空间中线性可分。SVM的核心目标是找到一个最优超平面，使得两类数据点的间隔最大化。其中，(yi) 是样本的标签（取值为 +1 或 -1），(xi) 是样本特征。

如，对下表中的第一条数据（ [ 阴天，寒冷，强 ] ）：首先从根结点出发，判断 “天气” 取值，而该数据的 “天气” 属性取值为 “阴天”，从决策树可知，此时可直接输出决策结果为 “举行”。在决策树中，若把每个内部结点视为一个条件，每对结点之间的有向边视为一个选项，则从根结点到叶结点的每一条路径都可以看做是一个规则，而叶结点则对应着在指定规则下的结论。一种很直观的思路是：如果按照某个特征对数据进行

如何进行迁移学习对迁移模型进行微调：微调全连接层微调卷积层（本篇未写），原理相同，可自行尝试注意：原本的模型参数务必要冻结住，那是已经调好的，可以节省计算时间。仅需要调整修改部分的参数。

selenium库支持的浏览器包括Chrome、IE 7~11、Firefox、Safari、Opera Edge、HtmlUnit、PhantomJS等,几乎覆盖了当前计算机端和手机端的所有类型的浏览器。在selenium库源代码文件下的webdriver中可查看所有支持的浏览器类型，如图15-31所示。浏览器类型名与图15-31中对应浏览器类型的文件夹名称相同。

需安装pyarrow包。Nan通常表示一个无效的或未定义的数字值，是浮点数的一种特殊取值，用于表示那些不能表示为正常数字的情况，如 0/0、∞-∞等数学运算的结果。如要保存的对象是计算的中间结果，或者保存的对象以后会在Python中复用，可把对象保存为.pickle文件。如要保存的对象是计算的中间结果，或者保存的对象以后会在Python中复用，可把对象保存为.pickle文件。一阶差分，对序列中的

Series 的数据结构是非常有用的，因为它可以处理各种数据类型，同时保持了高效的数据操作能力，比如可以通过标签来快速访问和操作数据。Pandas 是数据科学和分析领域中常用的工具之一，它使得用户能够轻松地从各种数据源中导入数据，并对数据进行高效的操作和分析。用得最多的pandas对象是Series，一个一维的标签化数组对象，另一个是DataFrame，它是一个面向列的二维表结构。在数据结构中，每

透视变换透视变换是一种图像处理技术，用于将二维平面上的图像或物体映射到三维空间中。它通过改变图像的视角和投影来创建一个具有透视效果的图像。透视变换通常用于计算机图像形态学和计算机视觉领域，用于实现图像的透视效果立体视觉图像校正等应用。它可以模拟人眼在观察远景时的透视效果，使得远处的物体看起来比近处的物体小，同时使得平行线在远处会相交的视觉效果。透视变换的实现通常需要通过计算图像中各点在三维空间中的