- 博客(40)
- 收藏
- 关注
RSS订阅原创 论文复现——肺癌数据高级模型比较与shap可视化分析代码解析
本研究通过机器学习方法构建肺癌预测模型，并进行了全面的特征选择与模型评估。研究首先对276例肺癌数据集进行预处理，采用Lasso和递归特征消除(RFE)方法筛选出10个关键特征。随后构建了7种机器学习模型（逻辑回归、朴素贝叶斯、SVM、随机森林、KNN、XGBoost和神经网络），其中XGBoost表现最佳（准确率94.64%）。通过SHAP分析揭示了特征重要性，发现年龄、慢性病和疲劳是最具预测性的因素。研究还进行了校准曲线、决策曲线分析和患者亚群分析，为临床决策提供了可视化支持。
2025-12-24 10:00:00
440
原创 论文复现——基于CT 图像中肺癌分类的 EfficientNet 方法、类不平衡处理、交叉验证、特征可视化、聚类分析
基于EfficientNet的肺癌CT图像分类方法研究 本研究提出了一种基于EfficientNet架构的Lung-EffNet模型，用于从CT图像中分类肺癌（良性、恶性或正常）。针对IQ-OTH/NCCD数据集中存在的类别不平衡问题，采用SMOTE过采样和数据增强技术进行处理。研究比较了EfficientNet B0-B4五种变体，结果显示EfficientNetB1在准确率（99.10%）和ROC分数（0.97-0.99）方面表现最优，同时具有较少的训练参数，适合临床部署。
2025-12-23 18:44:02
615
原创 机器学习——因果推断方法的DeepIV和因果森林双重机器学习（CausalForestDML）示例
DeepIV（Deep Instrumental Variables）是一种用于的计量经济学和机器学习方法。它的核心目标是在存在**内生性（Endogeneity）**问题时，估计处理（Treatment）对结果（Outcome）的因果效应。在标准的回归分析（如 OLS）中，我们假设处理变量 T 与模型的误差项 ε 不相关 (Cov(T, ε) = 0)。存在一些未观测到的混淆因子（Unobserved Confounders），它们既影响处理 T，也影响结果 Y。T 和 Y 互相决定。
2025-12-10 22:55:18
1099
原创 EconML实战：使用DeepIV、DROrthoForest与CausalForestDML进行因果推断详解
本项目详细介绍了Python中因果推断的实现方法，针对具有机器学习基础但缺乏因果推断经验的读者。文章首先解释了因果推断的核心概念与挑战，包括混淆变量和异质性处理效应。随后分阶段展示了完整实现流程：从数据生成、DeepIV模型构建，到DROrthoForest和CausalForestDML等先进模型的应用，最后进行聚类分析。每个阶段都包含代码实现、参数说明和可视化展示，特别强调了模型选择的关键因素和实际应用时的注意事项。
2025-12-10 22:51:51
693
1
原创 论文复现—基于随机森林、LightGBM 、 CatBoost 、LightGBM 、Optuna 优化与 SHAP 解释分析
本文介绍了一个完整的机器学习销售预测项目流程，包括数据准备、探索性分析、建模优化和模型解释。首先对巧克力销售数据进行清洗、特征工程和异常值处理，然后通过统计分析和可视化深入理解数据特征。接着使用决策树、随机森林、XGBoost等模型进行训练，并采用Optuna进行超参数优化。最后利用SHAP库对XGBoost模型进行特征重要性分析和预测解释，通过摘要图、决策图、瀑布图等多种可视化方法揭示模型决策机制。该项目不仅完成了销售预测任务，还提供了可复用的端到端分析框架。
2025-12-08 10:45:00
796
原创 论文复现—贝叶斯优化助你炼成超强随机森林，SHAP让模型“开口说话”
本文构建了一个完整的机器学习流程，用于预测连续型目标变量。流程包括数据探索与准备、模型构建与优化（线性回归、决策树、随机森林等）、模型评估与解释（SHAP分析）等步骤。重点展示了随机森林模型的两种超参数优化方法（手动搜索和贝叶斯优化），并通过SHAP技术深入分析模型决策依据，包括特征重要性、依赖图、交互效应等可视化展示。最终对比了不同模型的性能，贝叶斯优化的随机森林表现最佳。
2025-12-08 10:15:00
609
原创 论文复现—贝叶斯优化助你炼成超强随机森林，SHAP让模型“开口说话”
本文介绍了一个完整的机器学习流程，包括数据探索、模型构建、超参数优化和可解释性分析。首先通过EDA分析数据特性，然后构建线性回归、决策树、Bagging和随机森林等基准模型。重点采用贝叶斯优化方法对随机森林进行超参数调优，并利用SHAP技术对最优模型进行解释性分析，包括特征重要性、依赖图和决策图等可视化方法。最终通过多种评估指标对比模型性能，展示了如何结合模型优化与可解释性分析来提升预测效果和理解模型决策过程。
2025-12-07 09:27:18
449
原创 机器学习——线性回归、决策树、随机森林、LightGBM模型的SHAP和LIME可解释性分析对比详解完整示例
本文介绍了机器学习模型建立与参数调优的全流程，以及SHAP和LIME两种模型解释方法的应用。首先通过数据加载、探索性分析（EDA）和数据准备阶段完成基础工作，然后比较了线性回归、决策树、随机森林和LightGBM等基线模型性能。接着对LightGBM进行超参数调优，并使用SHAP和LIME对模型预测结果进行可视化解释分析。SHAP通过摘要图、依赖图、瀑布图等提供全局和局部解释，而LIME则通过局部线性近似解释单个样本预测。最后通过对比分析指出：SHAP基于博弈论提供稳定解释，LIME侧重直观局部解释
2025-12-07 08:53:09
1496
原创 机器学习——13种机器学习模型+贝叶斯优化超参数+ROC曲线+校准曲线+LightGBM的SHAP高级解释
本文摘要： 本研究基于糖尿病数据集，构建了一个端到端的机器学习项目流程，包含数据探索、模型构建和解释分析三个核心阶段。首先通过10个阶段的EDA分析，深入理解数据分布、特征相关性和异常值情况。随后采用13种机器学习算法（包括逻辑回归、随机森林、XGBoost等）进行建模，通过贝叶斯优化调参，并输出8大分类性能指标（灵敏度、特异度、准确度等）和多种可视化图表（ROC曲线、混淆矩阵等）。最后针对最优的LightGBM模型进行SHAP解释分析，通过全局特征重要性、局部样本解释和特征交互分析等方法
2025-12-06 10:45:00
1056
原创 机器学习——13种模型+统计显著性检验+贝叶斯优化+SHAP高级可视化（回归问题）
本文提供了一个完整的机器学习项目流程，包含五个核心部分： 探索性数据分析(EDA)： 数据质量检查与统计摘要 目标变量分布分析 特征相关性研究 离群值检测 生成详细数据报告 13种模型性能对比： 实现线性/树/集成模型对比 评估指标包括R²/RMSE/MAE 交叉验证稳定性分析 可视化模型性能雷达图 统计显著性检验： 正态性检验 配对t检验与Wilcoxon检验 多重比较校正 效应量分析 最优模型贝叶斯优化： 自动超参数搜索 性能提升对比 最终模型评估 SHAP模型解释： 决策图/瀑布图/力图 特征聚类分析
2025-12-06 08:00:00
687
原创 13种机器学习模型+多分类+PCA+贝叶斯优化超参数+SHAP高级可视化
本文介绍了一个完整的机器学习分析流程，从数据探索到模型优化与解释。首先通过EDA评估数据质量，分析变量分布和相关性。随后进行数据预处理，包括缺失值填充、异常值处理和标准化。接着比较12种分类模型，使用Optuna优化LightGBM超参数，并通过SHAP方法深入解释模型决策机制。流程包含丰富的可视化分析，如特征重要性排序、样本预测解释和交互效应分析，最终生成专业级报告。
2025-12-05 11:01:28
1028
原创 多种机器学习模型+Stacking模型的SHAP可视化+二分类+SMOTE处理不平衡数据
1.多模型交叉验证和高级集成技术（Stacking）构建并筛选、ROC曲线、PR曲线、混淆矩阵、测试集训练集AUC、特征重要性、雷达图。2.针对Stacking集成模型做SHAP可视化解释分析。
2025-12-05 10:58:15
744
1
原创 顶刊复现 | IF=10.6！基于可解释机器学习评估免疫炎症指标在非酒精性脂肪肝病（NAFLD）患者中预测冠心病（CHD）风险-机器学习-python
本研究采用三阶段机器学习策略分析NAFLD与CHD的关联性：首先通过LASSO回归筛选出14个关键特征；然后使用贝叶斯优化对5种算法进行超参数调优；最后采用Stacking集成学习方法（树模型基学习器+逻辑回归元学习器）构建预测模型。研究还运用限制性立方样条（RCS）分析免疫指标与CHD风险的非线性关系，并采用SHAP方法进行模型可解释性分析。结果显示，Stacking模型表现最优（AUC=0.85），NHR、PNR等免疫指标与CHD风险呈显著非线性关联。
2025-12-04 12:23:26
1001
原创 机器学习——10种模型(Stacking、Voting)+多角度SHAP高级可视化+高级特征工程+回归
本文提出了一套完整的机器学习模型可解释性分析框架，通过SHAP方法从多个角度深入解读模型预测机制。主要内容包括： 数据预处理与探索性分析 采用RobustScaler进行数据标准化 通过直方图、箱线图、Q-Q图分析目标变量分布 计算Pearson和Spearman相关系数识别关键特征 高级特征工程 构建特征交互项和多项式特征 创建统计特征（均值、标准差等） 特征数量从原始50个扩展到85个 模型训练与评估 评估8种基础模型和2种集成方法 采用留一法交叉验证（LOOCV） 最佳模型（GBR）
2025-12-04 12:19:45
870
原创 机器学习——数据预处理+类别不平衡分析与采样方式对比+SHAP高级可视化（分类）
本文介绍了一个全面的机器学习分析流程，重点对比了SMOTE过采样、RandomUnder欠采样和SMOTETomek混合采样三种方法在不平衡数据上的性能表现。主要内容包括： 数据预处理阶段：通过智能变量识别器和编码器自动处理数值型和类别型变量，创建预处理管道并可视化处理结果。 统计检验分析：采用T检验和卡方检验分析变量重要性，进行多重检验校正，并生成特征重要性报告。 不平衡数据处理：评估原始数据的类别分布，应用三种采样方法（SMOTE、RandomUnder、SMOTETomek）
2025-12-02 22:19:30
695
原创 11种机器学习模型+SHAP+LIME+多种特征重要性分析+贝叶斯优化超参数+二分类+Stacking+Voting
本文详细介绍了糖尿病预测模型的完整分析流程，包含28个阶段： 数据加载与预处理：检查数据质量、处理缺失值和异常值 探索性分析(EDA)：可视化特征分布和目标变量不平衡情况 特征相关性分析：计算皮尔逊相关系数和热力图 特征重要性评估：使用互信息法、Lasso回归和SHAP值分析 模型优化：采用Optuna自动调参，比较9种机器学习算法 集成模型：构建Stacking和Voting集成模型 模型评估：ROC曲线、混淆矩阵、决策曲线分析(DCA) 模型解释：SHAP分析和LIME局部解释
2025-12-02 22:03:54
1219
原创 机器学习——随机森林算法分类问题案例解析（sklearn）
集成学习的核心思想是组合多个“弱学习器”，形成一个性能强大的“强学习器”，其成功的关键在于基学习器需兼具“个体优秀”与“彼此差异”。根据生成方式，可分为以随机森林为代表的并行方法（Bagging），和以Boosting为代表的串行方法。随机森林通过样本和特征的双重随机抽样构建多棵决策树，以投票提升预测精度并防止过拟合。为解释其“黑箱”特性，可使用特征重要性评估变量贡献，并借助部分依赖图（PDP）和个体条件期望图（ICE）来可视化特定特征如何影响模型的平均及个体预测结果。
2025-07-27 00:00:00
1224
1
原创 机器学习——集成学习、线性模型、支持向量机、K近邻、决策树、朴素贝叶斯、虚拟分类器分析电动车数据集Python完整代码
本文详细讲解了如何使用Python进行电动车数据集的加载、处理、可视化与分析。在数据预处理阶段，我们通过处理重复数据和缺失值，确保数据的质量。在数据可视化部分，我们展示了多种图表，如直方图、箱线图、散点图等，帮助我们更好地理解数据的分布和趋势。同时，我们还通过交互式图表展示了如何利用Plotly提升数据可视化的互动性。
2025-01-17 15:58:51
1084
原创 机器学习——通过LazyPredict、随机森林模型、基于Python的学生情绪监控与分类模型示例解析（sklearn）
本文通过对学生情绪监控数据的探索与建模，展示了从数据加载、EDA、模型训练到评价的完整流程。实验表明，随机森林和自动模型选择工具（如 LazyPredict）均能为分类问题提供高效解决方案。关键思路数据探索是理解问题的基础，类别分布与特征分析尤为重要。模型的评价不仅依赖准确率，还需综合考虑召回率与 F1 分数。自动化工具（如 LazyPredict）能够极大提高建模效率。
2024-12-22 23:12:39
806
原创 机器学习决策树算法——python详细代码分类问题解析（sklearn）（2）
数据13.1”文件中记录的是某商业银行个人信用卡客户信用状况，变量包括credit（是否发生违约）、age（年龄）、education（受教育程度）、workyears（工作年限）、resideyears（居住年限）、income（年收入水平）、debtratio（债务收入比）、creditdebt（信用卡负债）、otherdebt（其他负债）。credit（是否发生违约）分为两个类别：“0”表示“未发生违约”，“1”表示“发生违约”；
2024-12-14 16:45:28
966
原创 机器学习决策树算法——python详细代码分类问题解析（sklearn）（1）
后剪枝呢，是 “构造完再剪枝”。然后从树的底部开始向上遍历所有不是叶节点的节点，如果把这个节点对应的子树直接换成叶节点能够提高决策树的泛化能力，那么就把这个子树换成叶节点，这样就达到剪枝的效果啦。总的来说，决策树的分类规则很容易理解，准确率也比较高，特别是对于实际决策边界是矩形的情况，而且不需要了解很多背景知识就能进行分类，它真的是一种非常有效的算法。在树生长的过程中，我们设定一个指标，如果达到这个指标，或者说当前节点的划分不能让决策树的泛化性能提高，那么决策树就会停止生长，并且把当前节点标记为叶节点。
2024-12-14 16:35:23
457
原创 机器学习聚类分析算法——python详细代码解析（sklearn）
聚类分析算法是一种非监督式学习算法，它旨在将数据集中的样本划分为若干个组或“簇”，使得同一个簇内的样本相似度较高，而不同簇之间的样本相似度较低。针对的是没有响应变量而仅有特征变量的数据集，其主要作用就是快速分类。虽然是非监督式学习算法，但聚类分析也有很多应用场景，比如电商平台系统对具有相似购买行为的用户进行聚类，针对划分好的客户类别，将某用户购买的产品在同一类别用户内进行推荐，实现精准促销；或者根据以往销售记录及其他特征对产品进行聚类，若某用户购买了一款产品，则继续向他推送同一类别的其他产品。
2024-12-13 19:30:02
1530
原创 机器学习主成分分析算法 PCA—python详细代码解析（sklearn）
在进行数据分析时，我们常常会遇到这样的情况：各个特征变量之间存在较多的信息重叠，也就是相关性比较强。就好比在研究一个班级学生的学习情况时，可能会收集到学生的语文成绩、数学成绩、英语成绩等多个特征变量。但往往会发现，语文成绩好的学生，数学和英语成绩也可能比较好，这就说明这些变量之间存在一定的相关性。这种情况在线性回归分析中被称为多重共线性关系。同时，如果我们的样本观测值数量较少，而选取的变量却很多，就会产生高维数据带来的 “维度灾难” 问题。
2024-10-12 12:55:48
3610
1
原创 机器学习K近邻算法——分类问题K近邻算法示例
基于10折交叉验证法下带权重KNN算法的预测准确率是最优的，达到了0.73；其次为普通KNN算法，预测准确率达到了0.69；K近邻算法的决策边界是不规则形状，这一边界将所有参与分析的样本分为两个类别，右侧区域为已转型网点区域，左下方区域是未转型网点区域，边界较为清晰，分类效果也比较好，体现在各样本的实际类别与决策边界分类区域基本一致。针对“数据8.1”，讲解分类问题的K近邻算法，以V1（转型情况）为响应变量，以V2（存款规模）、V3（EVA）、V4（中间业务收入）、V5（员工人数）为特征变量。
2024-10-08 19:59:34
740
原创 机器学习K近邻算法——回归问题K近邻算法示例
针对“数据4.1”，讲解回归问题的K近邻算法，以V1（营业利润水平）为响应变量，以V2（固定资产投资）、V3（平均职工人数）、V4（研究开发支出）为特征变量。
2024-10-08 19:55:31
545
原创 机器学习K近邻算法——python详细代码解析（sklearn）（1）
K个训练样本的地位是完全一样的，只要成为K个中的一个，不论这些训练样本与测试样本di之间的距离如何，都会被不加区别地对待。但是在很多情况下，用户可能会希望给予距离测试样本di更近的训练样本以更大的权重，这时候就可以在KNeighborsClassifier或KNeighborsRegressor函数中加入weights参数。weights参数用于设置近邻样本的权重，可选择为"uniform"，"distance"或自定义权重。● "uniform"为默认选项，即所有最近邻样本权重都一样。
2024-10-07 08:57:38
1342
原创 机器学习朴素贝叶斯算法——python详细代码解析（sklearn）
朴素贝叶斯算法（Naive Bayesian algorithm）是在贝叶斯算法的基础上假设特征变量相互独立的一种分类方法，是贝叶斯算法的简化，常用于文档分类和垃圾邮件过滤。当“特征变量相互独立”的假设条件能够被有效满足时，朴素贝叶斯算法具有算法比较简单、分类效率稳定、所需估计参数少、对缺失数据不敏感等种种优势。
2024-10-07 08:53:40
4233
原创 机器学习判别分析算法——线性判别分析和二次判别分析实操代码详解（3）
以“数据7.1”文件中的数据为例进行讲解。“数据7.1”文件记录的是某商业银行在山东地区的部分支行的经营数据（虚拟数据，不涉及商业秘密），案例背景是该商业银行正在推动支行开展转型，实现所有支行的做大做强。数据文件中的变量包括这些商业银行全部支行的、。V1（转型情况）又分为3个类别：“0”表示“未转型网点”，“1”表示“一般网点”，“2”表示“精品网点”。“数据7.1”文件中的数据内容如图所示。
2024-08-30 17:15:14
2370
原创 机器学习判别分析算法——线性判别分析实操代码详解（2）
线性判别系数即线性判元对于特征变量的载荷，也是原理讲解部分提到的权重系数w，其中第一线性判元在V2（存款规模）、V3（EVA）、V4（中间业务收入）、V5（员工人数）上的载荷分别为-0.00070198、-0.00362065、-0.00128565、0.00304935，即运行结果的第一列；一般网点中，V2（存款规模）、V3（EVA）、V4（中间业务收入）、（V5员工人数）的均值分别为2608.84166667，895.94333333，284.68953333，37.27777778；
2024-08-30 14:39:16
1418
1
原创 机器学习判别分析算法——线性判别分析和二次判别分析基本原理（1）
判别分析算法最早由Fisher在1936年提出，是一种经典而常用的机器学习方法，本质上也是一种线性算法，常用来做特征提取、数据降维和任务分类，可用于二分类或多分类问题，在人脸识别或检测等领域发挥了重要作用。
2024-08-29 22:32:12
2016
原创 正态性检验（Shapiro-Wilk test检验和kstest检验）
正态分布又称高斯分布（Gaussian distribution）。若随机变量X服从一个数学期望为μ、方差为σ2的正态分布，记为N(μ,σ2)，其中期望值μ决定了其位置，标准差σ决定了分布的幅度。当μ=0,σ=1时的正态分布就是标准正态分布。有相当多的统计程序对数据要求比较严格，它们只有在变量服从或者近似服从正态分布的时候才是有效的，所以在对整理收集的数据进行预处理的时候需要对它们进行正态检验。
2024-08-29 21:58:16
4425
原创 Python图形绘制-直方图、密度图、小提琴图、箱图、正态QQ图、散点图和线图、热力图、回归拟合图、联合分布图
在构建模型之前，我们可以通过针对变量绘制图形的方式初步研究变量的分布特征。常用的图形绘制方法包括直方图、密度图、小提琴图、箱图、正态QQ图、散点图和线图、热力图、回归拟合图、联合分布图等，这些图形绘制方法可以帮助用户快速了解数据点的分布，还可以发现异常值的存在。
2024-08-28 15:43:06
1745
原创 机器学习多元Logistic回归算法——原理+python详细代码解析（sklearn）
多元 Logistic 回归算法是一种用于处理多分类问题的统计方法。当因变量有多个类别时，比如三个及以上的不同取值，就需要使用多元 Logistic 回归算法。与二元 Logistic 回归类似，它也是建立因变量的发生概率与自变量之间的关系，但这里的因变量有多个类别。我们讲解多元Logistic回归算法的基本原理，并结合具体实例讲解该算法在Python中的实现与应用。
2024-08-24 18:06:30
3763
2
原创 Python数据观察
从结果中可以看到数据集中共有158个样本(158entries, 0 to 157)、5个变量(total 5 columns)，5个变量分别是pb、roe、debt、assetturnover、rdgrow，分别包含157、157、157、158、157个非缺失值(non-null)，数据类型均为浮点型(float64)，数据文件中共有5个浮点型(float64)变量，数据内存为6.3KB。在机器学习和数据统计分析中，在正式使用相关的算法或方法之前，往往需要对数据进行观察，查看数据的常用操作代码。
2024-08-24 11:11:15
432
原创 机器学习二元Logistic回归算法——原理+python详细代码解析（sklearn）
前面讲述的线性回归算法要求因变量是连续变量，但很多情况下因变量是离散而非连续的。例如，预测下雨的概率，是下雨还是不下雨；预测一笔贷款业务的资产质量，包括正常、关注、次级、可疑、损失等。Logistic回归算法可以有效地解决这一问题，它包括二元Logistic回归算法、多元Logistic回归算法等。当因变量只有两种取值，比如下雨、不下雨时，则使用二元Logistic回归算法来解决问题
2024-08-21 19:09:39
1953
原创 性能量度——衡量机器学习算法模型的评价标准（python示例代码）
回归问题监督式学习” 的性能量度指标为 “均方误差”，介绍了其数学公式，解释了公式中各部分的含义，给出了计算均方误差的自定义函数和使用 sklearn 库计算的示例代码。“分类问题监督式学习” 的性能量度：错误率和精度，说明了两者的定义和关系。查准率、查全率（召回率）、F1，阐述了在特定场景中的应用和概念。累积增益图，用于辅助解决查准率和查全率的两难选择问题。ROC 曲线和 AUC 值，介绍了通过改变分类阈值计算真正例率和假正例率来绘制 ROC 曲线，AUC 值用于评估模型性能。
2024-08-21 15:59:03
1094
原创 机器学习线性回归算法——原理+python详细代码解析（sklearn）
线性回归算法作为经典的机器学习算法之一，拥有极为广泛的应用范围，深受业界人士的青睐。该算法主要用于研究分析响应变量如何受到特征变量的线性影响。其通过构建回归方程，借助各特征变量对响应变量进行拟合，并且能够利用回归方程进行预测。鉴于线性回归算法较为基础、简单，所以比较容易入门。线性回归算法是一种较为基础的机器学习算法，基于特征（自变量、解释变量、因子、协变量）和响应变量（因变量、被解释变量）之间存在的线性关系。线性回归算法的数学模型为：y=α+β1x1+β2x2+…+βnxn+ε。
2024-08-21 10:57:28
4224
11
原创 Python中读取数据，包括文本文件（如 CSV 和 TXT ）、Excel 文件、SPSS 数据文件以及 Stata 数据文件
读取CSV或者TXT文件需要用到pandas模块中的pd.read_csv()函数或者pd.read_table()函数，其中pd.read_csv()函数主要用来读取CSV文件，而pd.read_table()函数主要用来读取TXT文件。可以发现上述设置并没有达到想要的效果，代码应该为：从设置路径中读取数据4.1文件，数据4.1文件为.csv格式，跳过第一行不读取，并且把变量名分别设置为'V1', 'V2', 'V3', 'V4'从设置路径中读取数据4.1文件，数据4.1文件为.csv格式，
2024-08-18 15:08:31
1159
原创 机器学习-XGBoost和SHAP解析数据
接下来，通过切片操作从 shap_values 中提取出每个类别的 SHAP 值，分别存储shap_values_class_1，shap_values_class_2 和 shap_values_class_3 中。为后续的工作准备好所需的工具，我们需要引入如 numpy 、pandas 用于数据处理，xgboost 用于模型构建，用于模型解释的shap，用于可视化的seaborn和matplotlib，以及 sklearn 中的一些模块用于数据划分、评估指标计算等。展示了特征间的交互作用对预测的影响。
2024-08-18 13:01:27
3137
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人