大学成长道路上的探索经历与点滴思考，与君共勉，共筑成长。

1.什么是过拟合2.关于学习曲线3.关于交叉验证3.1引入交叉验证3.2k折交叉验证4.关于模型的误差4.1关于误差的概念4.2模型的误差的组成4.3偏差和方差的关系5.关于混淆矩阵5.1相关计算5.2三个指标5.3F1分数的计算6.关于ROC曲线6.1P-R曲线6.2ROC曲线7.总结

1.决策树算法概述2.典型的决策树是什么样子的3.根节点的选择--信息增益4.信息和信息量4.1如何理解信息4.2如何计算信息量4.3信息论里面的计算方法4.信息熵是什么5.实战：根据信息增益生成决策树5.1计算样本信息熵5.2计算属性信息熵5.3计算属性信息增益熵Gain5.4确定根节点和各个节点6.总结

1.一元线性回归2.对于波士顿房价的说明3.多元线性回归

1.KNN算法原理（代码解读）2.KNN是如何进行预测的3.scikit-leran直接调用4.福利

1.算法介绍2.过拟合和欠拟合3.几种不同的距离4.特征的归一化处理

常用魔法命令

1.为什么普通人一定要使用DeepSeek2.DeepSeek的几种使用方式2.1网页端直接使用2.2手机端app使用2.3其他第三方平台3.网页端按钮的说明4.正确的提问技巧4.1不要定义过程4.2明确受众4.3记忆时间有限4.4输出长度限制4.5如何清除上下文的记忆5.几个避坑点5.1冗长提示词污染关键词5.2避免复杂句式&模糊词语5.3不要让ai分布式思考5.4不要过度角色扮演

1.下载选择2.prompt配置3.虚拟环境配置4.检查是不是安装成功5.安装jupter6.关闭anaconda重新进入7.总结

1.K临近算法（KNN）1.1算法的基本步骤1.2算法的应用1.3算法的优缺点2.决策树模型3.支持向量机（SVM）3.1线性支持向量机3.2硬间隔和软间隔3.3转换函数4.集成学习的类型4.1装袋法和提升法5.数据作业题目5.1题目介绍5.2代码

1.机器学习的引入2.机器学习划分2.1输入输出变量的介绍2.2机器学习的分类3.模型评估指标4.混淆矩阵的引入4.1反映内容4.3正类和负类5.ROC和AUC的说明6.K折交叉验证7.过拟合和欠拟合8.Matlab操作8.0数据集分析8.1路径选择8.2导入数据8.3查看工作区8.4分类学习工具箱使用8.5我的总结