每条资料为网盘目录，目录内同时包含该算法的 Word 和 PDF 文件。提取码已直接显示，打开网盘后按提示提取即可；如链接失效，请联系售后支持。
No.129
资料已配置
用于无监督聚类与样本分组，采用OPTICS发现数据结构、压缩特征或辅助可视化，适合没有明确目标变量的探索性分析；结果受参数设置和数据标准化方式影响。
Word · 129-OPTICS-OPTICS-20260801-060927.docx
PDF · 129-OPTICS-OPTICS-20260801-060927.pdf
No.131
资料已配置
用于无监督聚类与样本分组，采用自组织映射发现数据结构、压缩特征或辅助可视化，适合没有明确目标变量的探索性分析；结果受参数设置和数据标准化方式影响。
Word · 131-SOM-自组织映射-20260801-060935.docx
PDF · 131-SOM-自组织映射-20260801-060935.pdf
No.132
资料已配置
用于降维与低维表示，采用随机邻近嵌入发现数据结构、压缩特征或辅助可视化，适合没有明确目标变量的探索性分析；结果受参数设置和数据标准化方式影响。
Word · 132-SPE-随机邻近嵌入-20260801-060938.docx
PDF · 132-SPE-随机邻近嵌入-20260801-060938.pdf
No.133
资料已配置
用于无监督聚类与样本分组，采用谱聚类发现数据结构、压缩特征或辅助可视化，适合没有明确目标变量的探索性分析；结果受参数设置和数据标准化方式影响。
Word · 133-SpectralClustering-谱聚类-20260801-060942.docx
PDF · 133-SpectralClustering-谱聚类-20260801-060942.pdf
No.134
资料已配置
用于降维与低维表示，采用奇异值分解发现数据结构、压缩特征或辅助可视化，适合没有明确目标变量的探索性分析；结果受参数设置和数据标准化方式影响。
Word · 134-SVD-奇异值分解-20260801-065145.docx
PDF · 134-SVD-奇异值分解-20260801-065145.pdf
No.135
资料已配置
用于降维与低维表示，采用t-SNE发现数据结构、压缩特征或辅助可视化，适合没有明确目标变量的探索性分析；结果受参数设置和数据标准化方式影响。
Word · 135-TSNE-t-SNE-20260801-072338.docx
PDF · 135-TSNE-t-SNE-20260801-072338.pdf
No.136
资料已配置
用于降维与低维表示，采用截断 SVD发现数据结构、压缩特征或辅助可视化，适合没有明确目标变量的探索性分析；结果受参数设置和数据标准化方式影响。
Word · 136-TSVD-截断 SVD-20260801-060953.docx
PDF · 136-TSVD-截断 SVD-20260801-060953.pdf
No.137
资料已配置
用于降维与低维表示，采用UMAP发现数据结构、压缩特征或辅助可视化，适合没有明确目标变量的探索性分析；结果受参数设置和数据标准化方式影响。
Word · 137-UMAP-UMAP-20260801-060957.docx
PDF · 137-UMAP-UMAP-20260801-060957.pdf
No.138
资料已配置
用于模型超参数搜索与优化，采用贝叶斯优化辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
Word · 138-BayesianOptimization-贝叶斯优化-20260801-061001.docx
PDF · 138-BayesianOptimization-贝叶斯优化-20260801-061001.pdf
No.139
资料已配置
用于通过统一接口开展模型超参数搜索，支持随机搜索、GP 贝叶斯搜索和 Optuna TPE，可在指定模型与搜索空间内比较交叉验证结果。
Word · 139-BayesOptuna-Optuna、Bayes 统一接口-20260801-061005.docx
PDF · 139-BayesOptuna-Optuna、Bayes 统一接口-20260801-061005.pdf
No.140
资料已配置
用于模型超参数搜索与优化，采用网格、随机搜索辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
Word · 140-GridRandomSearch-网格、随机搜索-20260801-061009.docx
PDF · 140-GridRandomSearch-网格、随机搜索-20260801-061009.pdf
No.141
资料已配置
用于模型解释与特征影响分析，采用Friedman H 交互强度辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
Word · 141-HStat-Friedman H 交互强度-20260801-061012.docx
PDF · 141-HStat-Friedman H 交互强度-20260801-061012.pdf
No.142
资料已配置
用于模型解释与特征影响分析，采用局部线性解释辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
Word · 142-LIME-局部线性解释-20260801-061016.docx
PDF · 142-LIME-局部线性解释-20260801-061016.pdf
No.143
资料已配置
用于模型超参数搜索与优化，采用超参搜索辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
Word · 143-Optuna-超参搜索-20260801-061020.docx
PDF · 143-Optuna-超参搜索-20260801-061020.pdf
No.144
资料已配置
用于模型解释与特征影响分析，采用偏依赖与个体条件期望辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
Word · 144-PDP_ICE-偏依赖与个体条件期望-20260801-061023.docx
PDF · 144-PDP_ICE-偏依赖与个体条件期望-20260801-061023.pdf
No.145
资料已配置
用于模型解释与特征影响分析，采用置换重要度辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
Word · 145-PermutationImportance-置换重要度-20260801-061027.docx
PDF · 145-PermutationImportance-置换重要度-20260801-061027.pdf
No.146
资料已配置
用于模型解释与特征影响分析，采用可解释性辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
Word · 146-SHAP-可解释性-20260801-061030.docx
PDF · 146-SHAP-可解释性-20260801-061030.pdf
No.147
资料已配置
用于使用Autoformer建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。
Word · 147-Autoformer-Autoformer-20260801-061034.docx
PDF · 147-Autoformer-Autoformer-20260801-061034.pdf
No.148
资料已配置
用于使用双向 LSTM建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。
Word · 148-BiLSTM-双向 LSTM-20260801-061038.docx
PDF · 148-BiLSTM-双向 LSTM-20260801-061038.pdf
No.149
资料已配置
用于使用CNN–LSTM 混合建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。
Word · 149-CNN_LSTM-CNN–LSTM 混合-20260801-061041.docx
PDF · 149-CNN_LSTM-CNN–LSTM 混合-20260801-061041.pdf