databook

从“朴素”到“半朴素”：贝叶斯分类器的进阶之路在机器学习分类任务中，朴素贝叶斯（Naive Bayes）因其简单高效而广受欢迎，但它的“朴素”之名也暗示了其局限性。

极大似然估计：频率学派与贝叶斯学派的碰撞与融合在统计学的世界里，参数估计一直是数据分析的核心任务之一。极大似然估计（MLE）作为一种经典的参数估计方法，被广泛应用于各种领域。

『Plotly实战指南』--在金融数据可视化中的应用（下）在金融市场的复杂博弈中，可视化技术如同精密的导航仪。传统静态图表正在被交互式可视化取代——据Gartner研究，采用动态可视化的投资机构决策效率提升达47%。

『Plotly实战指南』--在金融数据可视化中的应用（上）在当今复杂多变的金融市场中，金融数据分析的重要性不言而喻。无论是投资者、金融机构还是研究人员，都需要通过对海量金融数据的分析来洞察市场趋势、评估风险并做出明智的决策。

『Plotly实战指南』--交互功能进阶篇在数据可视化的世界中，交互性是提升用户体验和数据探索效率的关键。从简单的悬停提示到复杂的动态数据更新，交互功能让静态图表变得生动起来。

『Plotly实战指南』--交互功能基础篇在数据可视化领域，静态图表早已无法满足用户对深度分析与探索的需求。Plotly作为新一代交互式可视化工具，通过其强大的交互功能重新定义了"数据叙事"的边界。

解锁UV工具新玩法：让Python脚本运行更高效的实用技巧作为Python开发者，你是否经常被依赖安装的漫长等待、虚拟环境的繁琐管理，或是脚本分享时“环境不一致”的问题困扰？

『Plotly实战指南』--样式定制高级篇在数据可视化领域，Plotly不仅是高效的绘图工具，更是设计师的创意画布。当基础图表已无法满足品牌化需求时，样式定制能力将成为数据叙事的关键武器。

『Plotly实战指南』--样式定制基础篇在数据可视化的世界中，一个精心设计的图表不仅能准确传达信息，还能提升整体的专业性和吸引力。而Plotly作为Python中强大的可视化库，提供了丰富的样式定制功能，帮助我们轻松实现这一目标。

软间隔：让支持向量机更“宽容”在SVM中，软间隔是一个重要的概念，它允许模型在一定程度上容忍误分类，从而提高模型的泛化能力。本文将详细介绍软间隔的定义、与硬间隔的区别、损失函数的作用，最后使用 scikit-learn 进行实际演示。

核函数：让支持向量机从“青铜”变“王者”在机器学习领域，支持向量机（SVM）是一种强大的分类算法，而核函数则是其核心组件之一。核函数的本质是一个「空间映射工具」。

『Plotly实战指南』--布局进阶篇在数据可视化领域，Plotly的子图布局是打造专业级仪表盘的核心武器。当面对多维数据集时，合理的子图布局能显著提升多数据关联分析效率，让数据的呈现更加直观和美观。

『Plotly实战指南』--布局基础篇在数据分析与可视化领域，一张优秀的图表不仅需要准确呈现数据，更应通过合理的布局提升信息传达效率，增强专业性和可读性。

多变量决策树：机器学习中的“多面手”在机器学习的广阔领域中，决策树一直是一种备受青睐的算法。它以其直观、易于理解和解释的特点，广泛应用于分类和回归任务。

『Plotly实战指南』--雷达图绘制与应用在数据分析和可视化领域，雷达图是一种适用于多维数据的可视化、综合评估和决策支持的工具。雷达图通过将数据点沿多个轴分布，并通过多边形面积或线条连接来展示数据的多维度特征，能够直观地呈现数据在各个维度上的表现，帮助我们快速识别优势和劣势，从而做出更明智的决策。

『Plotly实战指南』--面积图绘制与应用在数据可视化领域，面积图是一种强大而直观的工具，它通过填充线条与坐标轴之间的区域来量化数据大小，从而帮助我们清晰地展示数据的总量、趋势变化以及不同类别之间的对比。

当决策树遇上脏数据：连续值与缺失值的解决方案在机器学习中，决策树算法因其简单易懂、可解释性强而被广泛应用。然而，现实世界中的数据往往复杂多变，尤其是连续值和缺失值的存在，给决策树的构建带来了诸多挑战。

决策树剪枝：平衡模型复杂性与泛化能力在机器学习的世界里，决策树是一种简单而强大的算法，但它的 “任性生长” 却常常让数据科学家陷入 “过拟合的困境”。

决策树：机器学习中的“智慧树”在机器学习的广阔森林中，决策树（Decision Tree）是一棵独特而强大的“智慧树”。它是一种监督学习算法，既可以用于分类任务，也能用于回归任务，通过树形结构模拟人类决策过程。

『Plotly实战指南』--直方图绘制与应用在数据科学的世界里，直方图是一种不可或缺的可视化工具，它以其简洁而直观的方式，揭示了数据的内在规律，为数据分析和决策提供了有力支持。