2024年最新机器学习简单构建流程代码_代码如何构建流程(2)，2024年最新前端内存优化面试题

结尾

学习html5、css、javascript这些基础知识，学习的渠道很多，就不多说了，例如，一些其他的优秀博客。但是本人觉得看书也很必要，可以节省很多时间，常见的javascript的书，例如：javascript的高级程序设计，是每位前端工程师必不可少的一本书，边看边用，了解js的一些基本知识，基本上很全面了，如果有时间可以读一些，js性能相关的书籍，以及设计者模式，在实践中都会用的到。

开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

高级程序设计，是每位前端工程师必不可少的一本书，边看边用，了解js的一些基本知识，基本上很全面了，如果有时间可以读一些，js性能相关的书籍，以及设计者模式，在实践中都会用的到。

2. 数据清洗，比如异常数据过滤

df.replace(‘?’, np.nan, inplace=True)
datas = df.dropna(axis=1, how=‘any’)

3. 构建特征矩阵X和目标数据矩阵Y, 如果不是数值型的，需要转换为数值型的

X = datas.iloc[:, 0:2]
Y = datas[‘xx’]

4. 数据分割

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

5. 特征工程（中间可以有多个），比如这里的进行数据的标准化

one_hot = OneHotEncoder() # 哑编码模型对象构建
one_hot.fit_transform(X_train, Y_train)
ss = StandardScaler() # 构建模型对象
ss.fit(X_train, Y_train) # 模型训练
X_train = ss.transform(X_train) # 使用训练好的模型对训练集数据进行转换操作

X_train = ss.fit_transform(X_train) # 即训练模型，同时又使用训练好的模型对训练集数据进行转换操作，等价于上面的两步#

6. 算法模型构建, 比如：这里是一个线性回归

lr = LinearRegression() # 算法模型对象构建
lr.fit(X_train, Y_train) # 模型训练

7. 使用训练集数据对算法模型的效果进行判断（要求测试集必须和训练集采用相同的操作）

7.1 对训练集进行特征工程转换

X_test = one_hot.transform(X_test)
X_test = ss.transform(X_test)

7.2 计算评估指标（模型自带的评估指标，比如：回归算法中是R^2，分类算法是准确率）

print(lr.score(X_test, Y_test))

7.3 计算其它评估指标(需要根据预测值和实际值进行计算)

y_hat = lr.predict(X_test) # 获取预测信息
print(“mse:”, end=‘’)
print(mean_squared_error(y_true=Y_test, y_pred=y_hat))
print(“mae:”, end=‘’)
print(mean_absolute_error(y_true=Y_test, y_pred=y_hat))

8. 如果模型效果不错，进行模型输出（“所有模型都需要输出的”）

joblib.dump(one_hot, “model/one_hot.m”)
joblib.dump(ss, “model/ss.m”)
joblib.dump(lr, “model/lr.m”)

9. 如果模型效果不好，进行模型的调整(特征工程、参数、算法重新选择)

专业技能

一般来说，面试官会根据你的简历内容去提问，但是技术基础还有需要自己去准备分类，形成自己的知识体系的。简单列一下我自己遇到的一些题

• HTML+CSS
• JavaScript
• 前端框架
• 前端性能优化
• 前端监控
• 模块化+项目构建
• 代码管理
• 信息安全
• 网络协议
• 浏览器
• 算法与数据结构
• 团队管理
• 开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

最近得空把之前遇到的面试题做了一个整理，包括我本人自己去面试遇到的，还有其他人员去面试遇到的，还有网上刷到的，我都统一的整理了一下，希望对大家有用。

其中包含HTML、CSS、JavaScript、服务端与网络、Vue、浏览器等等

由于文章篇幅有限，仅展示部分内容