各科知识点笔记

阿里云

阿里云笔试的圆数问题

事务

redbook

交叉验证

小根堆

对于一个孤立森林方法处理一个包含离群点的大型数据集，如果模型性能不理想，可以使用哪种策略来改善

孤立森林（Isolation Forest）是一种用于检测异常值（离群点）的无监督学习方法，它可以有效地处理大型数据集中的离群点。然而，如果孤立森林模型性能不理想，可以采取以下一些策略来改善模型的性能：

调整模型超参数：

样本采样率（subsample_size）：孤立森林通过随机选择样本来构建树，可以尝试调整采样率来影响树的深度和密度，从而影响离群点的检测效果。
树的数量（n_estimators）：增加或减少构建的树的数量，观察模型性能的变化。
子树的最大深度（max_depth）：调整每棵子树的最大深度，可以影响孤立度的计算和离群点的检测效果。
特征工程：

选择合适的特征：对于大型数据集，合理选择对离群点检测有意义的特征，避免噪声特征的干扰。
数据标准化或归一化：对数据进行标准化或归一化处理，使得特征具有相同的尺度，避免特征值范围差异过大影响模型性能。
异常值处理：

删除异常值：根据孤立森林的预测结果，删除被标记为离群点的样本，然后重新训练模型，观察模型性能的变化。
调整离群点阈值：调整离群点的阈值，可以根据具体业务需求和数据特点来确定阈值，重新标记离群点并评估模型性能。
集成方法：

集成多个模型：可以考虑使用集成学习方法，如基于投票或平均的集成方法，将多个孤立森林模型的结果进行组合，从而提升模型的稳健性和泛化能力。
模型评估和调优：

交叉验证：使用交叉验证等技术来评估模型的泛化能力，防止过拟合或欠拟合。
调整其他模型参数：除了超参数外，还可以尝试调整其他模型参数，如孤立度阈值等，以优化模型性能。
特征工程：

增加新特征：通过特征组合、转换或衍生等方式，增加新的特征来提升模型性能，可能会有更好的特征表达离群点的特性。
降维处理：对于高维数据集，可以考虑使用降维技术（如主成分分析PCA）来减少特征维度，提高模型训练和检测效率。

http 和 https

HTTP（Hypertext Transfer