ByteCat

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。

sklearn提供的分类评估工具。