从无标签数据中自动发现隐藏模式和结构。

分类问题用标称数据，回归问题用连续数据，预处理方法完全不同！

随机森林就是。

随机森林就是。

获取数据、数据处理、特征工程后，就可以交给预估器进行机器学习，流程和常用API如下。1.实例化预估器(估计器)对象(estimator)， 预估器对象很多,都是estimator的子类。

获取数据、数据处理、特征工程后，就可以交给预估器进行机器学习，流程和常用API如下。1.实例化预估器(估计器)对象(estimator)， 预估器对象很多,都是estimator的子类。

数据量小，数据在sklearn库的本地，只要安装了sklearn，不用上网就可以获取数据量大，数据只能通过网络获取L2归一化（也称为欧式归一化）是将向量的各维度值调整到单位长度（长度为1）的标准化方法。其核心是对向量的每个元素进行缩放，使得整个向量的L2范数（欧几里得范数）等于1。消除文档长度的影响： 长文档的原始TF-IDF值可能普遍偏大，归一化后不同长度的文档向量可比。方便相似度计算： 归一化

直方图是图像处理中用于量化图像像素强度分布的统计工具。它通过计算每个强度值（0-255）在图像中出现的频率，直观展示图像的亮度分布特征。直方图是对数据进行统计的一种方法，并且将统计值组织到一系列实现定义好的 bin 当中。其中， bin 为直方图中经常用到的一个概念，可以译为 “直条” 或 “组距”，其数值是从数据中计算出的特征统计量，这些数据可以是诸如梯度、方向、色彩或任何其他特征。直方图：反映

直方图是一个柱状图，其中 x 轴表示灰度级（从 0 到 255），y 轴表示对应灰度级在图像中出现的次数（频率）。每个柱子的高度代表该灰度级在图像中出现的像素数量。OTSU算法是通过一个值将这张图分前景色和背景色（也就是灰度图中小于这个值的是一类，大于这个值的是一类。例如，如果你设置阈值为128，则所有大于128的像素点可以被视作前景，而小于等于128的像素点则被视为背景。

对给定的文本输入，用文本中的内容对文本进行摘要。