ByteCat

做模型的目的就是为了能够让它来更好的解决产品在实际生产过程中所遇到的具体的问题，所以模型训练好之后下一步要做的就是将其部署上线。

pycaret可以帮助我们快速解决从数据预处理到模型部署的整个流程。

LightGBM、Xgboost、Catboost三者都提供了一系列计算特征重要性的方法。

可解释机器学习慢慢成为了机器学习的重要研究方向。SHAP是用Python开发的一个模型解释包，可以解释任何机器学习模型的输出，其名称来源于SHapley Additive exPlanation。

决策树本身有一个非常大的优点是可解释性，这也是为什么我们可以很容易绘制决策树并展示它们。dtreeviz就是起到这样作用的一种工具。

通过数据可视化对比各种回归模型的拟合效果。

通过自定义的plot_decision_region函数实现各种分类模型分类效果的可视化。

实现各种降维模型效果的可视化。

sklearn提供的回归评估工具。

回归评估需要掌握的指标。