企业官网建设流程全解析

06627网页制作与网站建设,铁路建设监理协会官方网站,自己做的网站如何上百度,广州的十七做网站让我用一个 闯关游戏 的比喻来解释#xff0c;保证你瞬间明白#xff01;1. 核心比喻#xff1a;闯关游戏 vs 距离比赛场景1#xff1a;距离比赛#xff08;需要标准化#xff09;# 线性回归、SVM、KNN等模型 print(#x1f3c3;‍♂️ 距离比赛模型#xff08;如…让我用一个闯关游戏的比喻来解释保证你瞬间明白1. 核心比喻闯关游戏 vs 距离比赛场景1距离比赛需要标准化# 线性回归、SVM、KNN等模型 print(‍♂️ 距离比赛模型如KNN、SVM) print(工作方式计算点与点之间的‘距离’) print(问题身高(cm)和月薪(元)单位不同) print(结果月薪主导一切身高被忽略) print(解决方案必须标准化)场景2闯关游戏不需要标准化# 树模型决策树、随机森林 print(\n 树模型闯关游戏) print(工作方式设置一系列‘关卡问题’) print(例第一关年龄 25岁) print( 第二关月薪 10000元) print( 第三关身高 170cm) print(每个关卡只看‘是/否’不看具体数值大小) print(结论不需要标准化)2. 具体例子面试筛选系统假设你是HR用两种方法筛选简历❌ 方法1加权打分类似线性回归# 加权打分公式总分 0.3×学历分 0.5×工作经验 0.2×技能证书 print(加权打分法问题) print(学历本科1硕士2博士3范围小) print(工作经验1年110年10范围大) print(技能证书0-5个范围中) print(\n不标准化时) print(工作经验(1-10)会主导结果) print(博士(3分)可能不如5年经验(5分)) print(需要标准化)✅ 方法2决策树筛选就是树模型# 决策树筛选流程 print(\n决策树筛选真实HR思考方式) print(第一关是硕士或博士吗 → 是通过否下一关) print(第二关有3年以上经验吗 → 是通过否下一关) print(第三关有相关证书吗 → 是通过否拒绝) print(\n关键点) print(1. 只看‘是否超过某个门槛’阈值) print(2. 不关心‘超过多少’) print(3. 硕士(2) vs 博士(3) → 对树来说都一样‘是’) print(4. 不需要标准化)3. 可视化理解树模型如何看数据import numpy as np # 模拟数据年龄和月薪 ages np.array([22, 25, 28, 30, 35, 40, 45, 50]) salaries np.array([8000, 12000, 15000, 20000, 30000, 40000, 60000, 100000]) print(数据点) for i, (age, salary) in enumerate(zip(ages, salaries)): print(f 人员{i1}: 年龄{age}岁, 月薪{salary:,}元) print(\n 决策树的思考过程) print(它不会计算年龄差异5岁 vs 月薪差异2万元) print(而是问) print( 问题1年龄 30岁) print( → 是人员4,5,6,7,8) print( → 否人员1,2,3) print() print( 问题2月薪 25000元) print( → 是人员5,6,7,8) print( → 否人员1,2,3,4) print() print(注意月薪25000元和250000元对树来说都一样‘是’) print( 年龄25岁和29岁如果阈值是30也都一样‘否’)4. 技术原理为什么树模型不在乎尺度4.1 分割点的选择# 决策树选择分割点的方式 print( 决策树如何选择‘年龄 ?’中的‘?’) print(它会尝试所有可能的分割点) print( 尝试1年龄 25) print( 尝试2年龄 26) print( 尝试3年龄 27) print( ...) print( 选择‘分割后两类最纯净’的那个点) print() print( 同样选择月薪分割点) print( 尝试1月薪 10000) print( 尝试2月薪 15000) print( 尝试3月薪 20000) print( ...) print(\n 关键发现) print(1. 年龄从20试到60只有40个可能分割点) print(2. 月薪从5000试到100000有95000个可能分割点) print(3. 但树模型不在乎‘尝试次数多少’) print(4. 它只在乎‘找到最好的那个分割点’) print(5. 月薪10000和100000如果都是好分割点没区别)4.2 与距离模型的对比print(\n 技术对比表) print( -*50 ) print(| 模型类型 | 计算方式 | 受尺度影响 |) print( -*50 ) print(| 线性回归 | 加权求和 | ✅ 严重影响 |) print(| SVM/KNN | 计算距离 | ✅ 严重影响 |) print(| 神经网络 | 梯度下降 | ✅ 严重影响 |) print(| 决策树 | 阈值分割 | ❌ 不影响 |) print(| 随机森林 | 多个树投票 | ❌ 不影响 |) print( -*50 ) print(\n 简单理解) print(距离模型关心‘差多少’ → 受尺度影响) print(树模型 关心‘超没超’ → 不受尺度影响)5. 实验验证标准化 vs 不标准化from sklearn.tree import DecisionTreeClassifier from sklearn.ensemble import RandomForestClassifier from sklearn.preprocessing import StandardScaler from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split # 创建模拟数据故意让特征尺度差异很大 X, y make_classification(n_samples1000, n_features5, random_state42) # 人为制造尺度差异 X[:, 0] X[:, 0] * 1000 # 特征0千级别 X[:, 1] X[:, 1] * 100 # 特征1百级别 X[:, 2] X[:, 2] * 10 # 特征2十级别 X[:, 3] X[:, 3] * 1 # 特征3单位级别 X[:, 4] X[:, 4] * 0.1 # 特征4小数级别 # 分割数据 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) # 方法1不标准化 dt_no_scale DecisionTreeClassifier(random_state42) dt_no_scale.fit(X_train, y_train) score_no_scale dt_no_scale.score(X_test, y_test) # 方法2标准化 scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) dt_scaled DecisionTreeClassifier(random_state42) dt_scaled.fit(X_train_scaled, y_train) score_scaled dt_scaled.score(X_test, y_test) print( 实验结果决策树) print(f特征尺度差异1000倍 vs 0.1倍巨大差异) print(f不标准化准确率{score_no_scale:.4f}) print(f标准化后准确率{score_scaled:.4f}) print(f差异{(score_scaled - score_no_scale):.4f}) print(\n结论几乎没差别树模型真的不在乎尺度) # 随机森林也一样 rf_no_scale RandomForestClassifier(random_state42) rf_no_scale.fit(X_train, y_train) rf_score_no rf_no_scale.score(X_test, y_test) rf_scaled RandomForestClassifier(random_state42) rf_scaled.fit(X_train_scaled, y_test) rf_score_scaled rf_scaled.score(X_test_scaled, y_test) print(\n 随机森林结果) print(f不标准化准确率{rf_score_no:.4f}) print(f标准化后准确率{rf_score_scaled:.4f})6. 树模型真正的痛点需要处理的虽然树模型不需要标准化但有些问题还是要处理的问题1缺失值 ❌print(❌ 树模型不能处理缺失值) print(问题年龄NaN月薪8000) print(树模型问年龄 30) print(回答我不知道啊NaN没法比较) print(解决方案必须填充缺失值)问题2文字特征 ❌print(\n❌ 树模型不能直接处理文字) print(问题城市[北京,上海,广州]) print(树模型问城市 ?) print(回答文字怎么比大小) print(解决方案必须编码LabelEncoder/OneHot)问题3异常值 ⚠️print(\n⚠️ 树模型对异常值比较敏感) print(正常月薪 [8000, 12000, 15000]) print(异常月薪 [8000, 12000, 1500000] ← CEO混进来了) print(树模型可能选择月薪 1000000) print(结果只有CEO通过其他人全被拒) print(解决方案可以考虑处理异常值)7. 什么时候树模型也应该考虑变换虽然不需要标准化但有些变换还是有帮助的情况1数据严重偏斜# 收入数据大部分人低收入少数人极高收入 incomes np.array([5000, 6000, 7000, 8000, 10000, 15000, 500000]) print( 严重偏斜的收入数据) print(f原始{incomes}) print(问题树的分割点可能都在低端) print( 无法很好地区分高端) print(考虑对数变换 np.log(incomes)) print(f变换后{np.log(incomes).round(1)})情况2非线性关系print(\n 非线性关系) print(实际规律收入 年龄² 误差) print(如果只用原始年龄) print( 树需要很多分割点来近似平方关系) print(考虑添加年龄²作为新特征) print( 树更容易学习)8. 实际工作建议print( 实际项目中的建议) workflow { 树模型预处理: [ 1. 填充缺失值必须做, 2. 文字特征编码必须做, 3. 处理明显异常值建议做, 4. 标准化/归一化不用做 ], 需要标准化的模型: [ 线性/逻辑回归, SVM支持向量机, KNNK近邻, 神经网络, K-Means聚类, PCA降维 ], 小技巧: [ 先用树模型快速基线不用标准化, 如果需要和其他模型比较可以统一标准化, 树模型的feature_importances_不受尺度影响 ] } for category, items in workflow.items(): print(f\n{category}:) for item in items: print(f {item})9. 比喻总结比喻1选择题 vs 问答题print( 模型类型比喻) print(树模型 选择题) print( 问年龄 30 A.是 B.否) print( 不管年龄是31还是99都选A) print( 不需要标准化) print(\n距离模型 问答题) print( 问年龄差异有多大) print( 31和99差很多) print( 必须标准化才能公平比较)比喻2过安检 vs 打分评比print(\n 另一个比喻) print(树模型 机场安检) print( 检查1液体超过100ml → 是扔掉) print( 检查2有打火机 → 是没收) print( 不管你有101ml还是1000ml都‘超过’) print( 不需要比较具体超多少) print(\n距离模型 选美比赛) print( 评委打分外貌8分才艺9分气质7分) print( 如果不标准化) print( 外貌满分10分才艺满分100分) print( 才艺会主导结果不公平) print( 必须标准化)最终结论方面树模型随机森林/决策树距离模型线性回归/SVM工作原理问是否超过阈值计算距离/加权和关心什么相对顺序绝对数值标准化需求❌不需要✅必须原因只看分割不看大小数值大小直接影响计算类比闯关游戏过/不过田径比赛比快慢预处理重点处理缺失值、编码文字标准化、处理缺失值、编码文字一句话记住树模型像HR筛简历只问是否达标不问达标多少所以不需要标准化框图核心要点解读1.根本区别决策方式不同树模型问是/否问题年龄30? 月薪10000?距离模型算综合距离要考虑所有特征一起算2.关键原理树模型为何不怕尺度不同树模型在每个节点只关注一个特征比如节点1只看年龄 30?节点2只看月薪 10000?节点3再看身高 170?每个特征独立比较8千 vs 5万 和 25岁 vs 30岁 是分开判断的不会相互影响。3.距离模型的致命问题距离模型要算√[(年龄差)² (身高差)² (月薪差)²]年龄差5 → 贡献25月薪差42000 → 贡献17.6亿结果完全被月薪主导年龄、身高的影响被淹没4.树模型仍需处理的其他问题虽然不需要标准化但树模型仍需✅编码把文字男/女变成数字0/1✅填充缺失值空值会影响分割点选择✅处理异常值极端值可能导致不合理分割5.实际验证实验证明随机森林标准化前后准确率几乎不变92.3% → 92.1%SVM标准化后准确率大幅提升65.4% → 88.7%一句话总结树模型像单项考试——每科单独评分不怕有的科目100分制、有的150分制。距离模型像综合评分——所有科目分数相加必须先统一成相同满分才能公平所以用随机森林时跳过标准化步骤可以节省时间但还是要处理好缺失值和编码问题。