Transformers是一个开源的自然语言处理（NLP）库，由Hugging Face开发和维护。它基于Transformer架构，提供了各种预训练模型和工具，用于解决各种NLP任务，如文本分类、问答、命名实体识别等。

这是一篇简短的随笔

自ChatGPT发布以来，如何有效的与大语言模型沟通是一个随之而来的问题，这方面的研究也是雨后春笋般的出现，本文整理了一些常用的Prompt编写原则和方法，仅供参考学习。

在学习的过程中，本站整理记录了一些机器学习相关的内容和文章，但看起来稍显杂乱，故此专门以机器学习的基本流程为主线，制作了本站机器学习相关的内容进行导航跳转。（持续更新）

样本不平衡问题是在生产过程中普遍存在的问题，在很多场景中样本的比例极度失衡，如果不进行处理，那么模型最终的效果可能不尽如人意。本篇收集整理了常用的样本平衡手段和方法。

数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。所以机器学习的大部分时间都是在处理数据的过程中，掌握好特征工程的思路和方法，有更高的概率能获得高质量数据。

异常值可能是在数据采集、数据记录、数据提取等步骤中产生的，异常值的出现会对模型学习进行干扰，所以需要进行特殊处理。而在实际的生产环境中的异常值更是五花八门。

根据原数据构建了67个特征，尝试了多种算法和多次参数调优最终得分0.6925，记录过程分享一下。感觉数据指标还可以再优化，调参也还有进步空间，可以进一步优化提升。

数据分析可视化一直是短板，完全是因为不怎么用的缘故。把常用的方法整理一遍，以便用时查询。Seaborn基于 matplotlib 进一步封装。

在选择算法进行建模的时候，每种类型的算法中都有如此多可以用，我们如何选择一个最契合当前数据的模型？模型训练完之后，我们如何知道这个模型的效果？本文整理了机器学习中一些常用的评估方法