-
提升分类模型召回率需从阈值调整、类别平衡、算法选择、特征工程四层协同优化：降低预测阈值（如0.3）、用SMOTE/Tomek处理不平衡、选用scale_pos_weight或focalloss的模型、构造正样本敏感特征，并以业务漏判代价为优化标尺。
-
文本分类关键在理解任务本质、数据特性与模型行为的关系，需扎实掌握预处理、建模、调试、评估全流程，而非仅调库跑模型；应先厘清业务逻辑、标注难例、分析分布，并依数据规模选择合适模型与验证方法。
-
使用venv可创建隔离的Python环境以避免依赖冲突。1.创建：运行python-mvenvmyenv生成独立环境；2.激活：Windows用myenv\Scripts\activate，macOS/Linux用sourcemyenv/bin/activate；3.安装包：激活后用pipinstall安装的包仅限当前环境；4.查看包：piplist列出已安装包；5.退出：执行deactivate关闭虚拟环境；6.删除：直接删除环境文件夹如rm-rfmyenv；建议将环境命名为venv或.venv，并用p
-
Linux中Python环境变量设置关键是正确修改PATH和PYTHONPATH并确保生效范围。先用which或sys.executable确认Python路径；将目标bin目录加到PATH开头实现版本优先调用；PYTHONPATH用于指定模块搜索路径，需含__init__.py；修改~/.bashrc或~/.zshrc后执行source命令或重启终端生效。
-
Python邮件自动化核心是SMTP发信与IMAP收信分工协作：SMTP负责认证、构建RFC标准邮件并发送，IMAP负责登录、选文件夹、搜索筛选及获取邮件；关键在流程逻辑、异常处理（登录失败/SSL错配/权限限制）和安全实践（应用密码、环境变量存凭证）。
-
在TensorFlow中实现Q-learning时，若每轮训练后保存模型但未清理计算图状态，会导致内存持续累积、图结构冗余，从而引发训练速度逐轮显著下降；调用tf.keras.backend.clear_session()可有效释放全局资源，恢复稳定训练性能。
-
高效学AI需聚焦Python基础、scikit-learn完整流程、PyTorch/TensorFlow核心概念，以小项目驱动理解，善用可视化与调试，建立数学直觉而非硬算，坚持每日代码复盘。
-
pandas去重需指定subset业务主键，keep参数控制保留策略，NaN需谨慎处理；空值应按成因选择填充或删除；类型转换前须用coerce验证；清洗步骤应函数化、可复现、可版本控制。
-
Django的SECRET_KEY仅用于加密签名（如会话、CSRFToken、密码重置链接等），只要保持当前运行环境中密钥一致，修改后重启服务即可生效；它不是启动校验项，因此不会导致项目“无法运行”。
-
文件锁用于防止多进程或线程同时读写同一文件导致数据冲突。1.fcntl模块在Unix/Linux下实现建议性锁，需所有进程遵守规则；2.portalocker库跨平台兼容，封装了fcntl和msvcrt，使用简单；3.原子写入通过临时文件加os.rename()实现，适用于写操作频繁且读写不重叠的场景；4.标志文件法通过创建.lock文件标记占用，轻量但需处理残留问题。生产环境推荐portalocker或fcntl方案，确保访问方遵循锁协议。
-
Pydub是易上手、功能实用的音频处理库，依赖ffmpeg实现加载/导出/剪辑/音量调节等操作；所有操作返回新AudioSegment对象，原文件不被修改。
-
Python并发爬虫应依场景选异步协程或多线程：asyncio+aiohttp适合高并发轻量请求，需用Semaphore控并发、优化DNS；threading+requests适合中等规模带反爬任务，需独立Session和请求间隔；须配节流、重试、异常隔离与动态调速，并解耦解析存储以保吞吐。
