人工智能-机器学习

随机过采样（Random Over Sampling）是最简单的过采样方法之一，它从少数类样本中随机选择样本进行复制，以增加数据集中少数类样本的数量。

Edited Nearest Neighbors (ENN) 是一种基于 KNN 的欠采样方法，它通过移除多数类样本中与少数类样本相似度较低的样本，来实现数据平衡。

Neighborhood Cleaning Rule（NCR）欠采样是一种基于近邻的欠采样方法，它通过找到离少数类样本最近的多数类样本，并根据它们之间的距离来删除部分多数类样本，以达到类别平衡的目的。

One-Sided Selection（一侧选择）是一种欠采样方法，它是结合了 Tomek links 欠采样和 KNN 欠采样的思想。

重心欠采样（Centroid Under-Sampling）是一种基于聚类的欠采样方法。该方法通过找到多数类样本的聚类中心，然后删除距离聚类中心最近的一些多数类样本，以达到平衡数据集的目的。

Tomek links 欠采样是一种欠采样方法，其思想是删除在 Tomek links 中较多的多数类样本，以使得多数类样本数量与少数类样本数量相近。

随机欠采样（Random Under-Sampling）是最简单的欠采样方法之一，其思想是从多数类样本中随机删除一些样本，使得多数类样本数量与少数类样本数量相近。

标签平衡处理是针对不平衡的数据集，通过对标签进行处理来平衡不同类别样本的数量。常见的标签平衡处理方法包括欠采样和过采样两种。

有监督标签是指在监督学习中使用的标签，它与训练数据的特征一起被用来训练模型。在有监督学习中，我们通常会提前知道样本的标签，然后使用这些标签来训练模型。

在监督学习中，标签是指样本的正确输出值，也称为目标变量、因变量。在训练模型时，我们通常需要使用训练数据中的标签来调整模型的参数，使其能够预测正确的输出。

特征向量是线性代数中的一个重要概念，常常被应用于数据降维、图像处理、信号处理等领域。在机器学习中，特征向量通常用于表示一个样本的特征。

AUC（Area Under Curve）值是 ROC 曲线（Receiver Operating Characteristic Curve）下的面积，用于评估二分类模型的性能。

F1 值是衡量二分类模型性能的一种指标，它是精确率和召回率的调和平均数，可以综合考虑模型的准确性和召回率。ROC 曲线是用于评估二分类模型性能的一种常用工具。

准确率是用于衡量分类模型性能的指标之一，表示模型在所有分类样本中正确分类的比例。准确率越高，模型的性能越好。召回率（Recall）是衡量分类模型性能的一个重要指标之一。

数据转换和标准化是监督学习中常用的数据处理方法之一。在这里，我们将详细介绍两种常用的数据标准化方法：Z-score 标准化和最大最小值标准化。

Embedded 方法是一种特征选择技术，它将特征选择嵌入到模型训练过程中，通过正则化方法来减少不重要的特征对模型的影响。

Wrapper 方法是一种特征选择方法，它将特征选择问题转化为子集选择问题，使用模型的性能作为评估指标，选择最优的特征子集。

Filter 方法是一种特征选择技术，通过对特征进行评估和排名，选择排名靠前的特征用于训练模型。Filter 方法的主要优点是计算速度快，不需要训练模型即可完成特征选择。

特征哈希（Feature Hashing）是一种常用的特征提取技术，它可以将高维特征空间映射到低维空间，以减少特征向量的维数。特征哈希适用于特征空间非常大的情况下，可以有效地减少内存占用和计算时间。

独立成分分析（Independent Component Analysis，简称 ICA）是一种数据分析和特征提取方法，主要用于多个随机变量之间的分离和独立成分的提取。