ByteCat

Boosting（分步法）是指个体学习器之间存在强依赖关系，必须串行序列化生成的集成学习方法。

Bagging算法，又称装袋算法，是最常见的一种集成学习算法。

每个算法有不同的适用范围，例如有处理线性可分问题的，有处理线性不可分问题。在现实世界的生活中，常常会因为'集体智慧'使得问题被很容易解决，那么问题来了，在机器学习问题中，对于一个复杂的任务来说，能否将很多的机器学习算法组合在一起，这样计算出来的结果会不会比使用单一的算法性能更好？这样的思路就是集成学习方法。

sklearn有好多模型可供使用，现在对常用的基础模型进行梳理。

介绍特征持久化存储的几种方法。

sklearn_pandas库可以通过其自创的DataFrameMapper类简洁高效地实现大部分特征变换。

指定一个程序的输出为另一个程序的输入，即将一个程序的标准输出与另一个程序的标准输入相连，这种机制就称为管道。管道机制在sklearn中对应的模块是sklearn.pipeline。

特征工程在机器学习中具有重要意义，但是通过手动创造特征是一个缓慢且艰巨的过程。Python的特征工程库featuretools可以帮助我们简化这一过程。Featuretools是执行自动化特征工程的框架，有两类特征构造的操作：聚合（aggregation）和 转换（transform）。

很多数据问题中都会出现时间戳形式的特征，对其不同的处理操作有时会影响整个问题的建模效果，而本文我们就对其展开介绍所有可能的时间戳特征构建技巧。

特征工程之特征筛选。