docker学习 Docker 安装与环境准备
Docker 安装与环境准备（Linux） 一、前言 在学习 Docker 之前，第一步是在本地或服务器上安装好 Docker，以便能够实践。 Docker 支持 Ubuntu、Debian、CentOS、Fedora 等 Linux 发行版 本讲稿以 Ubuntu 22.04 / 20.04 为例讲解 安装 Docker 包括...
Hello, I’m geo
Designs, talks, and writes about web, ethics, privacy, and dev. I share dev tutorials, free resources and inspiration. Loves music & riding his bicycle.
Latest Posts
python机器学习 关联规则与异常检测
关联规则分析（Association Rule Mining） 什么是关联规则 关联规则的核心问题只有一句话： 哪些东西「经常一起出现」？ 最经典的例子是超市购物篮分析： 买了面包的人，是否也常买牛奶？ 买了尿布的人，是否常买啤酒？ 在数据中，这类问题被抽象为： 一笔交易（Transaction）＝ 一个样本 商品集合...
docker学习 前言
学习 Docker 可以带来什么？ 学习 Docker，并不是为了多会一个指令，而是改变你开发、部署与交付软件的方式。 解决「环境不一致」的问题 在没有 Docker 之前，开发常见的困扰是： 本机可以运行，服务器不能运行 Python / Node / Java 版本不同 第三方套件版本冲突 系统库缺失 Docker 的做法是： ...
python机器学习 线性回归（LinearRegression）
为什么要学习线性模型 线性模型是机器学习与数据分析中最基础、也最重要的一类模型。 学习线性模型的意义在于： 模型结构简单，数学含义清楚 可解释性强，适合分析变量影响 训练速度快，常作为基准模型 是理解正则化、泛化能力和过拟合的起点 一句话总结：如果不理解线性模型，就很难真正理解机器学习模型在做什么。 线性回归（Linear Re...
python机器学习 特征选择（Feature Selection）
为什么要做特征选择？ 在真实数据中，我们常会遇到： 特征太多（几十、上百个） 有些特征几乎没变化 有些特征高度重复（高度相关） 特征多 → 模型慢 过拟合 可解释性差 用「更少、更有用」的特征 达到「更好或差不多」的模型效果 特征选择三大类（先有概念...
python机器学习 数值特征处理
数值特征（Numerical Features）指 可以进行数学运算的特征，例如： 年龄、收入、余额 交易次数、金额 股价、收益率、波动率 数值特征如果不处理好，会直接导致： 梯度下降不收敛 模型被某些大数值特征“主导” 非线性关系无法被模型捕捉 标准化（Standardization） StandardScaler...
python机器学习 类别特征处理（Categorical Feature Engineering）
什么是类别特征（Categorical Features） 类别特征： 表示“类型 / 状态 / 身份”的变量，没有数值大小意义 常见示例： 性别：Male / Female 婚姻：Single / Married 职业：Engineer / Teacher 国家 / 城市 产品类别 客户类型（新客 / 老客） 类别特征的...