摘要：
一、数据规范化 规范化是机器学习中常用的一种数据准备技术。规范化的目标是重新调整数据集中数值列的值，而不会扭曲值范围中的差异或丢失信息。这可以在PyCaret中使用设置中的 normalize 参数来实现。有几种方法可用于规范化，默认情况下，它使用“zscore”来规范化数据，可以在安装程序中使用n 阅读全文
摘要：
一、缺失值处理 由于各种原因，数据集可能有丢失的值或空记录，通常编码为空或NaN，删除缺少值的样本是一种基本策略，有时会用到，但它会带来丢失可能有价值的数据和相关信息或模式的代价。一个更好的策略是估算缺失的值。默认情况下，PyCaret按数字特征的“平均值”和分类特征的“常量”输入数据集中缺少的值。 阅读全文