hiliang521的博客

通过数据驱动让计算机自动学习规律，无需显式编程（Arthur Samuel）。核心公式：程序通过经验（E）提升任务（T）性能（P）（Tom Mitchell）。

【机器学习】算法调参的两种方式：网格搜索（枚举）、随机搜索

【机器学习】（算法优化二）提升算法之：AdaBoost与随机梯度

【机器学习】（算法优化）集成学习之：装袋算法（Bagging）：装袋决策树、随机森林、极端随机树

【机器学习】回归算法详解：线性回归、岭回归、Lasso回归与Elastic Net

【机器学习】非线性分类算法详解（下）：决策树（最佳分裂特征选择的艺术）与支持向量机（最大间隔和核技巧）

【机器学习】四大非线性分类算法（上）：KNN（基于距离相似度）与朴素（特征独立）贝叶斯（基于概率统计）

【机器学习】线性分类算法：逻辑回归、线性判别分析算法：找到分界线的艺术

【机器学习】"回归"算法模型的三个评估指标：MAE（衡量预测准确性）、MSE（放大大误差）、R²（说明模型解释能力）

【机器学习算法】分类算法评估方法矩阵：从对数损失、AUC和ROC、混淆矩阵与分类报告等角度来评估算法

【机器学习【9】】评估算法：数据集划分与算法泛化能力评估

本文介绍了四种主流特征选择方法及其应用场景：1）单变量特征选择（SelectKBest）通过统计检验筛选与目标最相关的特征；2）递归特征消除（RFE）通过迭代训练模型逐步剔除不重要特征；3）主成分分析（PCA）通过线性变换降维保留最大方差方向；4）特征重要性基于树模型或置换法评估特征贡献。文章详细阐述了卡方检验和F检验的原理差异，并通过代码示例展示了SelectKBest和RFE的具体实现流程，强调特征工程对机器学习效果的决定性作用。

【机器学习【7】】数据预处理：数据准备、数据转换、数据输出

本文系统介绍了机器学习数据准备的关键技术和方法。首先详细对比了三种数据导入方式，指出Pandas在类型推断、缺失值处理等方面的优势。然后提出"六维数据画像"方法，从数据结构、质量、目标变量等维度进行全面分析。最后通过五种可视化技术（直方图、箱线图等）揭示数据分布特征和异常模式，为后续算法选择提供依据。文章强调数据理解应遵循"从宏观到微观"的认知规律，并展示了如何将数据特征映射到合适的算法选择，构建了完整的数据分析决策链条。

【机器学习基础【5】】Python数据科学三件套：从数据创建到处理再到可视化实战

【机器学习3】机器学习（鸢尾花分类）项目核心流程与企业实践差异分析

【机器学习基础1】什么是机器学习、预测模型解决问题的步骤、机器学习的Python生态圈

【机器学习基础1】第一个机器学习项目--生成模型、评出最优模型，最后验证模型