谢谢了

谢谢分享

精品！

谢谢分享

Thanks for sharing

很不错，回复一下表示支持~

很不错，回复一下表示支持~

了解一下   
谢谢分享

感谢分享

在行善之前，应该有充分的考虑，应该有这种意识和准备

解决机器学习问题之前, 你需要考虑很多组件, 其中一些组件包括数据准备, 特征选择, 特征工程, 模型选择和验证, 超参数调整等。从理论上讲, 你可以找到并应用大量的这些组件中的每个组件使用不同的技术, 但对于不同的数据集, 它们的性能可能有所不同。面临的挑战是找到性能最佳的技术组合, 以便最大程度地减少预测中的误差

缺乏综合性项目： 在Kaggle上，你可以参与各种数据科学竞赛，但这些竞赛往往是相对独立的，可能只涉及特定问题或数据集。在实际的数据科学项目中，你需要处理更为复杂的情况，如数据收集、数据清洗、特征工程、模型调优等。这些综合性项目对于培养全面的数据科学技能非常重要。
真实场景与竞赛的区别： Kaggle竞赛中的数据集通常是经过整理和预处理的，而在真实世界中，你会面对更为复杂、不完整和嘈杂的数据。这样的场景需要更强的数据处理和预处理能力。

谢谢分享