qq_45934978的博客

我们做特征工程的最终目标是模型表现要超过基线模型，目的是挑选/构造出区分度好和目标相关性强/ 对目标值的区分能力比较强的特征。f1_score 2 精准率 * 召回率/ 精准率 + 召回率。AUC指标 取值范围 0.5 ~ 1。使用模型：KNN，线性回归，逻辑回归，决策树，朴素叶贝斯等等。创建对象, 使用训练集fit 测试集predict。精准率 TP/TP+FP。召回率 TP/TP+FN。特征的系数：df.corr()超参数搜索 交叉验证网格搜索。空值，异常值，缺失值的处理。MAE 绝对平均误差。

join():只能做横向链接，根据索引进行连接，默认是左外连接。append():只拼接一个。

我们读取到的数据是一个DF（DataFrame）对象，可以换取单行单列（Series对象）的数据进行详细的数据分析。还可以使用array随机函数生成，与python中的range类似。使用matrix()函数：数据使用空格或逗号隔开，数组与数组之间使用分号隔开。分别将行名和列名存入两个字典中，然后使用rename函数进行更改。也可以使用列表，先读取列名和行名用列表存储，更改，在重新赋值回去。Pandas：分为Series对象和DataFrame对象。也可以随机生成数据：random。

闭包函数需满足三个条件：有嵌套，有引用（在内部函数使用了外部函数的变量），有返回（外部函数中返回了内部函数）装饰器：是一个闭包函数，同时满足要有新加的功能，并且内置函数与原函数格式保持一致。使用闭包函数的目的：保存函数内的变量，而不会随着函数调用完而被摧毁。装饰器的产生是为了不改变原有的函数，而给这个函数添加新的功能。noolocal :在内部函数中使用，更改外部函数的变量。global :在函数中使用，更改全局变量。关于闭包：使用了外部函数变量的内部函数。关于装饰器：实际上就是一个闭包函数。

子进程对象 = multiprocessing.Process(target=任务名，args/kwargs=要传递的参数)2. 通过进程类 实例化进程对象 子进程对象 = multiprocessing.Process(target=任务名)线程对象 = threading.Thread(target=任务名，args/kwargs=要传递的参数)2. 通过线程类创建线程对象 ：线程对象 = threading.Thread(target=任务名)3. 启动线程执行任务：线程对象.start()

对于**，变量为字典，将其拆解出来，单独传给函数。可以解包列表，元组，集合，可以在调用函数时使用。在函数中*和**都可以作为形参和实参传递。**接受关键字参数，返回类型为字典。作为形参时：可以接受不定长参数。*接受位置参数，返回类型为元组。*放在列表前返回其中的元素。*和**可以一起作为形参使用。字典的键与函数的参数要一致。