scikit-learn

本文将介绍如何将一个在 Jupyter Notebook 中训练好的机器学习模型，转化为一个真正的 Web 应用，以便与同事或老板在线分享和体验。 接下来，我会用 Python + scikit-le

机器学习的模型训练中，特征不是越多越好，而是要找到那个 "刚刚好"的子集。 今天介绍的方法 "简单粗暴"，通过递归的方式，不断淘汰一个个特征，直到找到那个最优的 "特征子集"。 核心思想 核心思想用一

前几篇介绍了使用方差阈值，相关性分析以及统计检验等方式来过滤特征，这些方法都有一个共同点，就是由人来决定如何打分。 今天介绍一种让模型自己给特征“打分”的方式，也就是让模型自己判断哪些特征重要，哪些特

在做机器学习建模的时候，经常遇到一个让人头疼的问题：手上有几十甚至上百个特征，到底哪些该留、哪些该丢？ 之前两篇介绍了通过 方差阈值 和 相关性分析 来过滤特征，今天这篇介绍一种新的过滤特征的方式，也

刚开始学机器学习时，我也像大部分人 一样，有个很朴素的想法：特征越多，模型能学到的信息就越多，效果自然越好。 所以每次拿到数据，我就拼命往模型里塞特征——能算出来的统计量全加上，能衍生出来的比率全拼上

在机器学习实战中，我们常常把精力花在调参和选模型上，却忽略了一个更基础的问题：喂给模型的数据里，有多少特征是真正有用的？ 刚开始学机器学习那会儿，我特别喜欢堆特征，不管有用没用先一股脑全塞进去，总觉得

我们在学习机器学习算法时，往往会被各种枯燥的数学公式所劝退。 今天，我将尝试用结合实际生活的方式，来介绍一个非常经典，而且可能是最“懂你心意”的算法——决策树 (Decision Tree)。。 别被

提到回归分析，很多人第一时间想到的只有“线性回归”和“逻辑回归”。但实际上，针对不同的数据情况（比如有离群点、数据是计数的、数据有缺失截断等），我们有十几种回归模型可以选择。 今天为大家总结了 16种

在机器学习领域，规则学习是一颗独特的明珠--它不像深度学习那样神秘，而是用人类可读的**"如果-那么"**规则来做出决策。 想象一下医生通过一系列症状判断疾病，或者风控系统根据用户行为拒绝贷款，规则学

当复杂世界的不确定性遇上图的结构化表达，概率图模型应运而生。 它可以帮助我们理解和建模变量之间的复杂关系。 想象一下，你正在尝试预测明天的天气，你需要考虑温度、湿度、气压等多种因素，这些因素之间存在着

在数据处理的世界里，我们常常会遇到这样的问题：数据量太大，存储和传输成本高昂，但又不能丢失重要信息。 这时候，压缩感知（Compressive Sensing，CS）就像一位神奇的“数据魔法师”，能够

在机器学习的世界里，我们常常会遇到各种复杂的数据，它们可能包含大量的特征，但其中真正有用的信息却很少。 这就像是在一个杂乱无章的房间里，我们只需要找到那些真正重要的物品，而忽略掉那些无关紧要的杂物。

想象你要做一道美食，面对琳琅满目的食材，优秀的厨师不会把所有原料都扔进锅里，而是会选择最适合的几种。 在机器学习中，特征选择就是这个挑选过程，从原始数据中选择对预测目标最有用的特征（列），就像挑选优质

度量学习是一种神奇的机器学习技术，它的核心目标就是教会机器如何更好地衡量不同数据点之间的 “距离”。 在我们日常生活中，距离这个概念很直观，比如两点之间的直线距离。 但在机器学习的世界里，数据通常是高

在机器学习和数据分析中，数据的维度常常是一个让人头疼的问题。 想象一下，你面前有一张包含成千上万列特征的表格，每一列都可能是一个重要的信息源，但同时也会让计算变得异常复杂。 这时候，降维技术就派上用场

在数据分析和机器学习领域，聚类是一种非常重要的无监督学习方法，它可以帮助我们发现数据中的内在结构，将相似的数据点分组到一起。 本文将介绍几种常见的聚类算法，包括原型聚类（如 k-均值、学习向量量化、高

在聚类分析中，距离度量是核心概念之一，它决定了数据点之间的相似性或差异性，从而影响聚类结果的质量。 选择合适的距离度量方法，就像为数据选择合适的**“观察视角”**，能够帮助我们发现隐藏的模式结构。

在聚类分析中，我们常常需要评估聚类结果的质量。 外部指标是一种通过与已知的“真实标签”进行比较来评估聚类性能的方法。 这些指标可以帮助我们判断聚类算法是否能够准确地将数据划分为有意义的类别。 本文将介

集成学习虽然能够通过组合多个学习器来提高预测性能，然而，如果这些学习器过于相似，集成的效果可能并不理想。 因此，增强学习器的多样性是提升集成学习性能的关键。 多样性带来的优势在于： 群体智慧原理：多样

在集成学习中，多样性是一个关键概念，简单来说，多样性衡量的是各个学习器之间的差异程度。 如果学习器之间差异很大，那么它们的组合就更有可能覆盖更多的情况，从而提高集成模型的性能， 就像足球队需要不同位置