人脸识别是计算机视觉入门经典项目，相比深度学习大模型，传统 LBPH 人脸识别算法轻量化、训练快、不需要大量算力，本地离线就能运行，非常适合新手学习。本文使用 OpenCV 内置 LBPH 识别器，仅用少量人脸样本，完成周杰伦、林俊杰二人的人脸分类识别，代码极简易懂，附带完整注释与踩坑说明。，局部二值模式直方图算法使用的模型基于，局部二值模式算法。LBP算法最早是被作为一种有效的纹理描述算提出的，

本文结合实战代码，依次讲解多元线性回归建模流程、金融数据集下逻辑回归分类应用、交叉验证参数寻优方式，同时详解召回率评估指标含义，附带完整可运行源码，适合机器学习入门学习者梳理基础建模思路与模型评估方法。多元线性回归利用多个自变量拟合线性方程，探究特征与目标值之间的线性关联关系，通用模型公式： y=w1​x1​+w2​x2​+b 其中w为特征系数，b为截距项，通过最小二乘法求解最优参数，常用于数值预

在分类模型训练、效果评估场景中，混淆矩阵衍生出的 TP、FP、FN、TN 四个基础指标，以及准确率、精确率、召回率，是评判模型好坏的核心依据。很多初学者容易混淆几组指标含义与计算公式，本文用通俗案例 + 公式推导，理清指标定义、相互关系与适用场景，轻松看懂分类评估标准。以二分类任务为例，样本只分为正类、负类TP（True Positive）真正例真实为正，模型预测也为正，预测正确。FP（False

表格填充方法优点缺点适用场景CCA 删除法简单、无数据篡改丢失大量样本、易偏差缺失率 < 5%、大数据集均值填充计算快、简单受异常值影响大近似正态分布数据中位数填充抗异常值精度一般存在异常值的数据众数填充适用于离散特征连续性特征效果差类别型、离散型特征线性回归填充利用特征相关性仅适合线性关系特征线性相关数据随机森林填充精度高、非线性强速度稍慢大部分数据、推荐使用这份代码是数据预处理阶段的完整工具箱

深度学习（Deep Learning, DL）是机器学习的核心分支，也是当下人工智能落地的核心技术基石，其核心灵感来源于人类大脑的神经元层级传递机制。简单来说，深度学习是通过多层非线性神经网络结构，模拟人脑的分层信息处理逻辑，从海量原始数据中自动学习数据特征、挖掘内在规律，最终完成分类、回归、生成、识别等各类智能任务的技术体系。很多新手会疑惑：“深度”到底指什么？这里的深度并非指算法难度，而是指网

在计算机视觉学习路径中，答题卡识别是最经典、最适合新手入门、最适合做课程设计的实战项目。目前网上很多方案都是深度学习训练模型，门槛高、需要数据集、训练耗时。本项目不使用任何深度学习、不训练模型、无需 GPU自动矫正倾斜、透视变形的答题卡自动检测试卷边框自动定位所有答题圆圈自动排序题目顺序自动识别学生填涂答案自动对比标准答案、打分、可视化对错适合：OpenCV 练手、计算机视觉课程设计、Python

要理解朴素贝叶斯，必须先搞懂贝叶斯定理。由结果推导原因的概率。我们来看经典的公式：P(A∣B)P(A∣B) 【后验概率】：事件B发生了，它是由事件A导致的概率。（我们想求的）P(A)P(A) 【先验概率】：没事B之前，我们对A的“原始判断”。P(B∣A)P(B∣A) 【似然概率】：如果A发生了，导致出现B的概率。P(B)P(B) 【证据因子】：B发生的总概率。【概念图解 1：贝叶斯定理直观图】此处

在 AI 应用开发中，API Key 是连接你与大模型服务的“钥匙”。但很多新手常犯一个致命错误——把 Key 硬编码在前端或代码里，导致密钥泄露、产生高额费用。本文结合真实项目经验，带你从零掌握 API Key 的安全配置与调用方法，支持 DashScope（通义千问）、DeepSeek、火山引擎等主流平台，代码可直接复用！本文从 API Key 的安全认知、环境变量配置，到 OpenAI 兼容

如果你正在开发 AI 应用，或者使用 Claude、Cursor 等 AI 工具，你一定遇到过这样的烦恼：Claude 想读取你电脑上的文件，你需要手动复制粘贴；Cursor 想执行代码，你需要切换到终端；换了一个大模型，之前写的工具调用代码全部作废；这些问题，MCP 协议正是为了解决它们而生。是由 Anthropic 在 2024 年底开源的一套开放协议，基于 JSON‑RPC 2.0。MCP

CSV是逗号分隔值文件，常用在数据交换中。