目标：NLP算法工程师

make_classification()参数信息参考：make_classification()参数信息from sklearn import preprocessingimport numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import make_classificationfrom sklearn.svm import SVCimport matplotlib.

make_classification()def make_classification( n_samples=100, n_features=20, *, n_informative=2, n_redundant=2, n_repeated=0, n_classes=2, n_clusters_per_class=2, weights=None, flip_y=0.01, class_sep=1.0, hyp

参考blog1 2 3 4 5 6 7一、序言当我们拿到一批原始的数据需要进行以下操作：1、首先要明确有多少特征，哪些是连续的，哪些是类别的。2、检查有没有缺失值，对确实的特征选择恰当方式进行弥补，使数据完整。3、对连续的数值型特征进行标准化，使得均值为0，方差为1。4、对类别型的特征进行one-hot编码。5、将需要转换成类别型数据的连续型数据进行二值化。6、为防止过拟合或者其他原因，选择是否要将数据进行正则化。7、在对数据进行初探之后发现效果不佳，可以尝试使用多项式方法，

一、 裁剪——Crop1.随机裁剪：transforms.RandomCrop2.中心裁剪：transforms.CenterCrop3.随机长宽比裁剪 transforms.RandomResizedCrop4.上下左右中心裁剪：transforms.FiveCrop5.上下左右中心裁剪后翻转: transforms.TenCrop二、翻转和旋转——Flip and Rotation6.依概率p水平翻转transforms.RandomHorizontalFlip7.依概率p垂直翻转tra