type
status
date
slug
summary
tags
category
icon
password
Property
AnimationOpts：Echarts 画图动画配置项
可以配置画图的动画，比如是否开启动画，动画持续时间，动画缓动效果等
InitOpts：初始化配置项
可以配置诸如图像宽度，高度，图表主题，背景颜色等：
type
status
date
slug
summary
tags
category
icon
password
Property
作为专门面向机器学习的
Python开源框架，Scikit-learn可以在一定范围内为开发者提供非常好的帮助。它内部实现了各种各样成熟的算法，容易安装和使用，样例丰富，而且教程和文档也非常详细。另一方面，
Scikit-learn也有缺点。例如它不支持深度学习和强化学习，这在今天已经是应用非常广泛的技术。此外，它也不支持图模型和序列预测，不支持Python之外的语言，不支持PyPy，也不支持GPU加速。如果不考虑多层神经网络的相关应用，
Scikit-learn的性能表现是非常不错的。究其原因，一方面是因为其内部算法的实现十分高效，另一方面或许可以归功于Cython编译器；通过Cython在Scikit-learn框架内部生成C语言代码的运行方式，Scikit-learn消除了大部分的性能瓶颈。
type
status
date
slug
summary
tags
category
icon
password
Property
什么时候需要异常点检测？
常见的有三种情况：
- 在做特征工程的时候需要对异常的数据做过滤，防止对归一化等处理的结果产生影响
- 对没有标记输出的特征数据做筛选，找出异常的数据
- 对有标记输出的特征数据做二分类时，由于某些类别的训练样本非常少，类别严重不平衡，此时也可以考虑用非监督的异常点检测算法来做
异常点检测的目的是找出数据集中和大多数数据不同的数据，常用的异常点检测算法一般分为三类：
- 基于统计学的方法来处理异常数据
构建一个概率分布模型，计算对象符合该模型的概率，把具有低概率的对象视为异常点。比如RobustScaler在做数据特征值缩放时，会利用数据特征的分位数分布，将数据根据分位数划分为多段，只取中间段来做缩放，比如只取25%分位数到75%分位数的数据做缩放，这样减小了异常数据的影响。
- 基于聚类的方法来做异常点检测