add

Author: OHeroJ

deploy.sh

@@ -0,0 +1,35 @@
+#!/bin/bash
+
+# 使用 pwd 命令获取当前脚本所在目录作为项目根目录
+PROJECT_DIR=$(pwd)
+# 定义打包后文件存放的目录
+BUILD_DIR="$PROJECT_DIR/docs/.vuepress/dist"
+# 定义服务器上项目部署的目录
+DEPLOY_DIR="/www/wwwroot/oldbird.run"
+# 定义远程服务器的 IP 地址和用户名
+SERVER="[email protected]"
+# 定义 SSH 端口
+SSH_PORT=2002
+
+# 进入项目目录
+cd $PROJECT_DIR
+
+# 使用 Yarn 安装依赖
+export NODE_OPTIONS=--openssl-legacy-provider
+yarn docs:build
+
+
+# 检查打包是否成功
+if [ $? -eq 0 ]; then
+    echo "项目打包成功"
+    # 提示用户确认是否上传
+    rsync -avz -e "ssh -p $SSH_PORT" $BUILD_DIR/ $SERVER:$DEPLOY_DIR
+    # 检查上传是否成功
+    if [ $? -eq 0 ]; then
+        echo "文件上传成功"
+    else
+        echo "文件上传失败"
+    fi
+else
+    echo "项目打包失败"
+fi

docs/.vuepress/config/sidebarConf.js

@@ -134,7 +134,8 @@ module.exports = {
             children: [
                 "", 
                 "supervised-vs-unsupervised-learning-concepts-and-differences",
-                "classification-and-regression-in-ml", // 新增文章文件名
+                "classification-and-regression-in-ml",
+                "dataset-and-feature" // 新增文章文件名
             ],
         },
     ],

docs/ai/ml/dataset-and-feature.md

@@ -0,0 +1,43 @@
+---
+title: "数据集与特征：机器学习的基础要素"
+date: 2025-02-19
+tags:
+  - ai
+  - ml
+  - 机器学习
+  - 数据集
+  - 特征
+sitemap:
+  exclude: false
+  changefreq: monthly
+---
+
+## 1. 数据集概述
+数据集是机器学习模型训练和评估的基础。它是由一组数据样本组成的集合，每个样本包含多个特征和可能的标签。
+
+### 1.1 数据集的类型
+- **监督学习数据集**：包含输入特征和对应的目标标签，用于训练有监督的机器学习模型，如分类和回归任务。
+- **无监督学习数据集**：只包含输入特征，没有明确的标签，用于挖掘数据中的潜在结构和模式，如聚类和降维。
+
+### 1.2 数据集的质量
+高质量的数据集是构建有效机器学习模型的关键。数据集应具备准确性、完整性、一致性和代表性。
+
+## 2. 特征的重要性
+特征是数据集中每个样本的属性或变量，用于描述样本的特定方面。特征的选择和处理对模型的性能有重要影响。
+
+### 2.1 特征的类型
+- **数值特征**：具有数值表示的特征，如年龄、身高、收入等。
+- **分类特征**：表示不同类别的特征，如性别、职业、颜色等。
+- **文本特征**：由文本数据组成的特征，如评论、文章、标题等。
+
+### 2.2 特征工程
+特征工程是从原始数据中提取、转换和选择特征的过程，旨在提高模型的性能。常见的特征工程技术包括：
+- **特征提取**：从原始数据中提取有意义的特征，如从图像中提取边缘、纹理等特征。
+- **特征转换**：对特征进行数学变换，如标准化、归一化、对数变换等。
+- **特征选择**：从众多特征中选择最具代表性和相关性的特征，以减少特征维度。
+
+## 3. 数据集与特征的关系
+数据集和特征是相互依存的。数据集提供了特征的载体，而特征则是描述数据集的具体信息。合理选择和处理特征可以提高数据集的质量，从而提升模型的性能。
+
+## 4. 总结
+数据集和特征是机器学习的基础要素。了解数据集的类型和质量要求，掌握特征的类型和特征工程技术，对于构建高效、准确的机器学习模型至关重要。