yorushika_的博客

知识点复习1.不平衡数据集的处理策略：过采样、修改权重、修改阈值2.交叉验证代码作业：从示例代码可以看到 效果没有变好，所以很多步骤都是理想是好的，但是现实并不一定可以变好。这个实验仍然有改进空间，如下。1. 我还没做smote+过采样+修改权重的组合策略，有可能一起做会变好。2. 我还没有调参，有可能调参后再取上述策略可能会变好针对上面这2个探索路径，继续尝试下去，看看是否符合猜测。

1.三种启发式算法的示例代码：遗传算法、粒子群算法、退火算法2.学习优化算法的思路作业：尝试检索资料、视频、文档，用尽可能简短但是清晰的语言看是否能说清楚这三种算法每种算法的实现逻辑，帮助更深入的理解。

超参数调整专题1知识点回顾1.网格搜索2.随机搜索（简单介绍，非重点 实战中很少用到，可以不了解）3.贝叶斯优化（2种实现逻辑，以及如何避开必须用交叉验证的问题）4.time库的计时模块，方便后人查看代码运行时长今日作业：对于信贷数据的其他模型，如LightGBM和KNN 尝试用下贝叶斯优化和网格搜索导入数据对离散特征进行编码。

知识点：1.数据集的划分2.机器学习模型建模的三行代码3.机器学习模型分类问题的评估作业：尝试对心脏病数据集采用机器学习模型建模和评估。

知识点：1.介绍了热力图的绘制方法2.介绍了enumerate（）函数3.介绍了子图的绘制方法作业：尝试对着心脏病数据集绘制热力图和单特征分布的大图（包含几个子图）

作业：对心脏病数据集的特征用上述知识完成，一次性用所有的处理方式完成预处理，尝试手动完成，多敲几遍代码。连续特征的处理：归一化和标准化。对cp进行标签编码结果。

oldpeak (ST depression induced by exercise): 运动后ST段压低。slope (slope of the peak exercise ST segment): ST段斜率。是否患有心脏病（通常编码为：0 = 无心脏病，1 = 有心脏病）。空腹血糖是否高于120 mg/dl（0 = 否，1 = 是）。运动后心电图ST段压低幅度（单位：毫米，反映心肌缺血程度）。thal (thalassemia): 地中海贫血类型。患者性别（通常编码为：0 = 女性，1 = 男性）。

内容回顾：1.单特征可视化：连续变量箱线图（还说了核密度直方图）、离散特征直方图2.特征和标签关系可视化3.箱线图美化--->直方图作业：去针对其他特征绘制单特征图和特征和标签的关系图，并且试图观察出一些有意思的结论。

现在在py文件中 一次性处理data数据中所有的连续变量和离散变量。3. 对独热编码后的变量转化为int类型。先按照示例代码过一遍，然后完成下列题目。2. 对离散变量进行one-hot编码。4.对所有缺失值进行填充。1. 读取data数据。

导入pandas库并查看数据。利用循环补全所有列的空值。

题目：1.创建一个包含三个字符串元素的列表 tech_list，元素分别为 “Python”, “Java”, “Go”。2.获取列表中的第一个元素，并将其存储在变量 first_tech 中。3.向 tech_list 的末尾添加一个新的字符串元素 “JavaScript”。4.修改 tech_list 中的第二个元素（索引为 1），将其从 “Java” 更改为 “Ruby”。5.移除列表中的元素 “Go”。

题目: 定义两个字符串变量，str1 赋值为 “Hello”，str2 赋值为 “Python”。将这两个字符串拼接起来（中间加一个空格），并将结果存储在变量 greeting 中；计算 greeting 字符串的长度，存储在变量 length 中；获取 greeting 字符串的第一个字符，存储在变量 first_char 中。然后，使用 f-string 分三行打印出类似以下格式的信息：拼接结果: Hello Python字符串长度: 12第一个字符: H第二个字符：e最后一个字符是：n。

计算这两个变量的和，并将结果存储在一个新的变量 a 中；计算这两个变量的商，叫做b；计算这两个变量的余数，叫做c。然后，使用 f-string 打印出类似 “20 加 8 的结果是：28” 的信息，分成三行打印。然后，使用 print() 函数将每个变量的值单独打印出来，每个值占一行。计算折扣后的价格，并将结果存储在变量。将这两个变量组合成一句话并打印出来。如果想在输出的姓名两边加上引号，例如。计算节省了多少钱，存储在变量。存储你所在的城市（字符串，例如。存储你的名字（字符串，例如。定义两个浮点数变量，