机器学习

🧬 知识点关系网络

数据预处理→特征工程→模型训练→评估与调优→部署与监控

⬆️ 机器学习的全流程，数据决定了上限，模型只是逼近这个上限。

监督学习 —— 线性回归与逻辑回归——最基础的模型。决策树与随机森林——可解释的强基线。SVM——最大化间隔。
💡 用scikit-learn在Iris数据集上跑通分类流程。
非监督学习 —— K-Means聚类——预设K值的局限。PCA降维——保留方差最大的投影方向。t-SNE——可视化高维数据。
💡 用PCA对高维数据进行降维，观察方差解释率。
集成学习 —— Bagging（随机森林）降低方差。Boosting（XGBoost、LightGBM）降低偏差。Stacking组合多个基模型。
💡 在Kaggle的Tabular比赛上，用XGBoost调参。
模型评估与调优 —— 交叉验证避免过拟合验证集。网格搜索与贝叶斯优化搜索超参数。
💡 用Optuna对XGBoost进行贝叶斯超参数优化。

💡 学习贴士： 多动手实践，参与开源项目或在线评测，将理论转化为肌肉记忆。

前置依赖： 学习机器学习前，建议具备编程基础与相应的数学知识。

后续延伸： 学完机器学习后，推荐继续探索：数据结构 · 算法设计 · 操作系统 · 计算机网络

🔵 已开放 · 可随时探索🟠 生长中 · 内容持续丰富🟣 探索级 · 深度拓展

🌱 为了包容与博爱的传递，为了知识平权，善智导航正在陆续深化每一个知识点页面。
下方所有知识点均已预留链接，可随时点击探索。

✨ 每个链接都是一扇门，推开即是新世界。

朴素贝叶斯分类器，基于词频判断是否垃圾邮件。

协同过滤——找到与你口味相似的用户。

逻辑回归与XGBoost评估贷款违约概率。

我是一名正在学习机器学习的学生，请用生动易懂的方式为我讲解其核心概念，并结合实际应用场景给出代码示例。