记忆学习整体流程

• 数据EDA
• 特征工程
• 模型建立，调参CV
• 模型融合（Ensembling）

都是基于特征集的，不关于预测集

描述性统计及相关性分析

1. 缺失值info()查看空值/类型
   drop NA
   但是缺失也是信息
   缺失值的填补：例如中值，条件样本均值，联合分布……
2. describe()
3. 相关性分析
4. 数据可视化
   (1)for循环
   (2)apply/.map apply一般对行或者一列进行输入，map是对每一个格进行操作
   train['age'].map(str)

特征工程

CV交叉验证：训练集，测试集。K-fold
5-折：把训练集划分为5份，用1-4训练，预测5，和真实比较，用2-5训练预测1……做5次，评估模型的精度
模型的泛化能力：通过学习更好地预测不知道的东西

模型融合

单模→融合→复模

• bagging
  随机分离，思想：三个臭皮匠
  投票法voting 100个变量，建立100个决策树（分类器），70个认为会活
  概率，一个分类器认为30%会活，一个认为70%，算概率大于50%就活
  阈值学习
• boosting（主流，GBDT提升数）
  从前一个分类器的失败里学习，在错误里改进
• stacking
  把预测的结果当新的特征
  用1234训练，clf,预测5，clf1_pre_5……得到5个分类器clf1,2,3,4,5.同时用这五个分类器预测测试集，作为新增的特征

不平衡问题

99个人是好人，一个罪犯
分类器更倾向于它是一个好人，但是目标是检索出坏人
处理方式：过采样，欠采样（取多组，bagging）
enbalanced:smoote