1、Kaggle的上常工具除了大家耳熟能详的XGBoost之外,这里要着重推荐的是一款由微软推出的LightGBM，这次比赛中我们就用到了。LightGBM的用法与XGBoost相似，两者使用的区别是XGBoost调整的一个重要参数是树的高度，而LightGBM调整的则是叶子的数目。与XGBoost相比,在模型训练时速度快,单模型的效果也略胜一筹。 (略胜一筹造句子)。
2、保安拿测温枪指着我，我总误以为我是刘德华。
3、我以为真正的美丽，是可以通过时间考验的东西。时间，有着压迫、不赦免任何人的腐蚀力量，以及将所有事物归还土地的意志。能够耐受这些而留存下来的形与色，才是真正的美丽。星期早上好！
4、生：他补了一个“在”，而且翻译时把“撒盐”和“空中”调了位置。
5、 先分享一个，关于笔试要不要报班的问题，我的经验是：如果你之前没做过行测的卷子，或者做了多次仍然低于60分，或者基础特别差的，建议报班，能让你知道如何复习。如果你之前有行测的基础，并且自己可以做到60+，可以选择自己复习，当然也可以选择报班。下面说下每个模块复习的方法：
6、第一句，是一副对联：一等人忠臣孝子，两件事读书耕田。做对国家有用的人，做对家庭有责任的人。好读书能受用一生，认真工作就一辈子有饭吃。
7、观察相关系数矩阵可以让你找到高相关的特征，以及特征之间的冗余度。而对于文本变量，可以统计词频(TF)，TF-IDF，文本长度等等，更详细的内容可以参考这里：
8、遇到画面要解释怎么办？说不了英文句就说英文单词，说不了英文单词就说中文，与其给孩子错误的英语，不如给正确的中文(我用的就是中文，不过3岁时想想已经能用纯英文解释给我听了)。
9、师：所以这两句话，“色”上平分秋色；“质”和“态”上，谢道韫略胜一筹，而从“韵”的角度，谢道韫更是“妙手回春”，以浪漫的想象，使白雪纷纷的场景，多了一份生命的质感！我们来朗读一下，边读边想象那白雪纷纷的画面。
10、点点滴滴的雨，点拨成点点滴滴的事。由视觉向感觉过渡，不免会触动起一些细碎的往事来。首先是泥泞中的故乡，父母亲那佝偻的背影，总会浮现在″我"的脑海里。父母在泥泞中越来越模糊，他们如溺水者，被岁月浸染。而我……只能想着，却无力去搀扶。老地方在故乡，每想到老地方的雨，总会想到泥泞里父母亲。这种感觉总会撕扯人。即使无雨，此生内心也是永远有雨。因此，会擢疼读者泪点。句子还可凝炼！动词意象完全可以撬动起情感走向来。比如往事，这词就平民化了。
11、省略动词、副词之例就更多了。以杜甫诗为例，“秋窗犹曙色，落木更天风”；“入天犹石色，穿水忽云根”等，细思均省略了动词，而句式显得更加精炼。
12、(桃李芬芳浅读)此首微诗诗微但意境丰满。首句用夜未央，伏案拾辞，砚台铺满残红造境，可谓是爱君之情切切，思君之意念念，为君填的词还空余半阙，而你呀已离去多时，我的泪却打湿了地面……只是那人若转身离去，你又何苦凄凉若此。
13、师：那你刚才说分四个阶段，又咋分的？挑不同的说。
14、常用的可视化工具有matplotlib和seaborn。当然，你也可以跳过这一步，因为可视化不是解决问题的重点。
15、https://www.kaggle.com/davidthaler/how-many-1-s-are-in-the-public-lb
16、整首诗感慨良多。最值得点赞的是词语与语句总是一语相关，耐人品读。
17、师：刚才，和同学们粗粗地聊了一会儿人物和情节，其实是想了解下大家的预习情况，感觉还是很到位的，不错！
18、Label标签，也叫目标变量，需要预测的变量，通常是模型的标签或者输出。
19、对于数值型变量(NumericalVariable)，需要处理离群点，缺失值，异常值等情况。
20、师：但是，这个作者却不太好，他差不多就把所有的东西都告诉你了——这个姑娘身世非凡，这个姑娘才华卓绝，这个姑娘咏雪实在是太赞；谢老头笑到忘形，也肯定只是为了这个姑娘！
21、EmbeddingFeature，预训练好的词向量相加求出句子向量，然后求两个句子向量的距离，比如余弦相似度、欧式距离等等。
22、示例:三种说明方法是举例子、引资料、列数字(1)举例子,举出孔明羽扇的例子具体说明扇子发端时制作材料与功用。(2)引资料,引用苏东坡的诗句形象说明朝鲜折扇张合自如的特点。(3)列数字,列举明代大折扇长度和宽度的数字,准确说明它是中国最大的折扇,是罕见的宝物。(3分)语文答案第1页(共3页)语文答案第2页(共3页)(9分)胸怀(2分)
23、Gensim|主题模型工具包，可用于训练词向量，读取预训练好的词向量。
24、人的一生，岂能尽如人意，但求无愧我心。以一颗淡然的心对待周围的人和事，用平静书写人生，把最平淡的日子梳理成诗意的风景。经历了许多，人生就是一场懂得，剪一段流年的时光，握着一路相随的暖，把最平淡的日子梳理成诗意的风景。星期早上安康，我的朋友！
25、也许是作为Kaggle上为数不多的NLP比赛，这看似简单的比赛却吸引了众多的参赛队伍。由于这是NLP问题，所以接下来的介绍都会偏向于NLP，本文会分为以下三个部分：
26、师：对，谢安。太傅是谢安死后，皇帝追赠他的官位，说明谢安生前非常厉害！他是东晋有名的政治家、名士。
27、俄而雪骤,公欣然曰：“白雪/纷/纷/何所似？”兄子胡儿曰：“撒盐空中/差/可拟。”兄女曰：“未若柳絮因风起。”
28、曾经听过一句话，”Feature为主，Ensemble为后”。Feature决定了模型效果的上限，而Ensemble就是让你更接近这个上限。Ensemble讲究“好而不同”，不同是指模型的学习到的侧重面不一样。举个直观的例子，比如数学考试，A的函数题做的比B好，B的几何题做的比A好，那么他们合作完成的分数通常比他们各自单独完成的要高。
29、在做特征抽取的时候，我们是尽可能地抽取更多的Feature，但过多的Feature会造成冗余，噪声，容易过拟合等问题，因此我们需要进行特征筛选。特征选择可以加快模型的训练速度，甚至还可以提升效果。
30、分类问题(二分类、多分类、多标签)多分类只需从多个类别中预测一个类别，而多标签则需要预测出多个类别。
31、VectorSpaceFeature，用TF-IDF矩阵来表示句子，求相似度。
32、师：嗯，小说集，所以《咏雪》也算是小说。我们讲小说，一般都要讲到人物，看看，这篇文章里有几个人？
33、但是应注意，此种手法绝非堆砌，恰恰需要选择典型的意象入诗，如此对比映衬之意才更明显，而笔力也显得劲健。
34、当我们面对事情的时候，换一种心情，也许会有新的生机出现；换一种心情，失败只是一种考验；换一种心情，所有的所有皆为笑谈；换一种心情，去迎接美好的明天。星期早上开心快乐!