打卡DAY23

今天去看了刘长胜和mao的故居，感触良多。

编码(OneHot, Ordinal, Target等): 识别不同类型的特征(数值型、类别型、文本等)便于超参数调优(可以一次调整所有步骤的参数)为每个特征类型创建单独的子Pipeline。数值特征和类别特征通常需要不同的处理方式。确保测试数据不参与任何预处理步骤的拟合。可以轻松更换最后的估计器(分类/回归)用于对数据框的不同列应用不同的转换。: 选择最有价值的特征(可选步骤)最后一个步骤通常是估计器(模型)可以并行处理数值型和类别型特征。提取特征(年、月、日、星期等)用于数据预处理和特征工程的类。

2024蓝桥杯备赛

今日成果： 感谢各位读者查阅，欢迎各位👍点赞✍评论⭐收藏+关注！

每日长难句打卡Day23 参考译文：特别是，他们呼吁与西部各州政府（通常不满联邦政府的行动）以及私人土地所有者（控制着约95%的草原榛鸡栖息地）形成更紧密的合作关系。

反转字符串

整理下全部逻辑的先后顺序，看看能不能制作出适合所有机器学习的通用pipeline。3.ColumnTransformer和Pipeline类。DAY 23 pipeline管道。1.转化器和估计器的概念。

注意审题，题目当值说到是一个二叉搜索树，因此我们只需进行中序遍历即可，然后得到一个有序数组之后进行编辑，统计出来最小差。其实可以在遍历过程中进行计算和记录。

复习第16天内容。

knn算法全名叫做k-近邻算法（K-Nearest Neighbors，简称KNN），看到名字是不是能想到是算距离的，第一个k是指超参数的意思，就是可以认为设置的意思，这里是指最近的k个样本。

ggg代表一个常用的逻辑函数（logistic function）为SSS形函数（Sigmoid function），公式为：gz11e−zgz1e−z1​hx11e−wTxhx1e−wTx1​。

机器学习（Machine Learning, ML）是人工智能的核心分支，旨在通过算法让计算机从数据中自动学习规律并优化性能，而无需显式编程。这一技术领域起源于20世纪50年代，随着计算能力的提升和大数据时代的到来，在21世纪得到了迅猛发展。

本文提出了一种自适应反步控制方法，用于处理具有未知参数的二阶非线性系统。该方法通过设计虚拟控制律和参数更新率，确保闭环系统稳定性和状态跟踪性能。首先定义跟踪误差并构建Lyapunov函数，推导出虚拟控制律和参数估计更新律；接着设计实际控制输入消除未知参数影响，并证明系统全局渐近稳定性。理论分析表明，该方法能有效处理参数不确定性，实现期望轨迹的渐进跟踪，同时保证所有状态有界。

本文详细介绍了欠拟合与过拟合问题及其解决方案，特别是正则化技术。然后深入讲解了两种正则化线性回归——岭回归和拉索回归，包括它们的数学原理和实际应用。接着介绍了逻辑回归这一重要的分类算法，最后探讨了无监督学习中的K-means聚类算法。这些算法构成了传统机器学习的基础知识体系，理解它们的原理和适用场景对于构建有效的机器学习模型至关重要。在实际应用中，通常需要根据具体问题和数据特点选择合适的算法，并通过交叉验证等方法调优参数。