data_scaler_methods:
  StandardScaler:
    principle: "通过去均值和按标准差缩放特征，使数据呈标准正态分布（均值为0，标准差为1）。"
    advantages:
      - "适用于大多数机器学习算法，尤其是对特征范围敏感的模型（如SVM、KNN）。"
      - "有效消除量纲影响，提高数值稳定性。"
    disadvantages:
      - "对异常值敏感，异常值可能会影响均值和标准差。"
    applicable_scenarios:
      - "数据服从正态分布或接近正态分布的情况。"
      - "使用需要标准化特征的模型，如线性回归、逻辑回归、SVM等。"

  MinMaxScaler:
    principle: "将特征缩放到指定范围（默认[0,1]），保持数据的相对比例不变。"
    advantages:
      - "适用于保持原始数据分布不变的场景。"
      - "对异常值不敏感，相比标准化更稳定。"
    disadvantages:
      - "可能会压缩原始数据的方差，影响模型性能。"
    applicable_scenarios:
      - "数据分布未知或不符合正态分布。"
      - "神经网络、决策树等不受特征尺度影响的模型。"

  RobustScaler:
    principle: "使用中位数和四分位距对数据进行缩放，以减少异常值的影响。"
    advantages:
      - "对异常值具有较强的鲁棒性。"
      - "适用于数据具有较多离群值的情况。"
    disadvantages:
      - "与标准化相比，可能会损失部分数据的可解释性。"
    applicable_scenarios:
      - "数据包含大量异常值，但仍需缩放特征。"
      - "数据分布较为偏态的情况。"

  Normalizer:
    principle: "对样本（而非特征）进行归一化处理，使每个样本的范数为1。"
    advantages:
      - "适用于强调样本间的相对大小而非绝对值的情况。"
      - "有助于在稀疏数据（如文本数据）上使用。"
    disadvantages:
      - "不能消除特征之间的量纲差异。"
    applicable_scenarios:
      - "文本分类、推荐系统等涉及余弦相似度的任务。"
      - "数据表示为向量时，如TF-IDF特征向量。"

  Binarizer:
    principle: "根据设定阈值将数据二值化，特征值大于该阈值设为1，否则设为0。"
    advantages:
      - "适用于需要转换为布尔变量的情况。"
      - "可用于离散化连续特征。"
    disadvantages:
      - "丢失原始特征的数值信息，可能导致信息损失。"
    applicable_scenarios:
      - "处理二元分类任务，如是否点击广告、是否购买商品。"
      - "对特定阈值敏感的数据特征进行转换。"


missing_value_handling_methods:
  SimpleImputer:
    principle: "使用统计方法（如均值、中位数、众数）或常数值填充缺失值。"
    advantages:
      - "实现简单，计算速度快。"
      - "适用于数值型和分类型数据。"
    disadvantages:
      - "未考虑特征之间的相关性，可能导致偏差。"
    applicable_scenarios:
      - "数据缺失比例较小且随机分布。"
      - "需要快速处理缺失值的场景。"

  IterativeImputer:
    principle: "使用多重插补方法，基于其他特征预测缺失值。"
    advantages:
      - "考虑了特征之间的相关性，填补更准确。"
    disadvantages:
      - "计算复杂度高，处理时间较长。"
      - "对模型的选择和参数设置较为敏感。"
    applicable_scenarios:
      - "数据缺失模式复杂，特征之间存在较强相关性。"
      - "对数据完整性要求高的场景。"

  KNNImputer:
    principle: "基于k近邻算法，用相似样本的值填充缺失值。"
    advantages:
      - "利用了数据的局部结构信息，填补效果较好。"
    disadvantages:
      - "计算量大，特别是对于大型数据集。"
      - "对异常值敏感，可能受到噪声影响。"
    applicable_scenarios:
      - "数据集较小且特征之间存在相关性。"
      - "缺失值与其邻近样本的值相似的情况。"

  MissingIndicator:
    principle: "生成指示器变量，标记数据中缺失值的位置。"
    advantages:
      - "保留了缺失值的信息，供模型使用。"
      - "可与其他填补方法结合使用。"
    disadvantages:
      - "增加了特征数量，可能导致模型复杂度增加。"
    applicable_scenarios:
      - "希望模型感知缺失模式的场景。"
      - "与填补方法结合使用，以提高模型性能。"


outlier_detection_methods:
  IsolationForest:
    principle: "通过构建随机决策树，将数据分割为更小的部分，孤立出异常点。异常点在树中更接近根节点。"
    advantages:
      - "对高维数据有效。"
      - "无需对数据进行标准化处理。"
      - "处理大规模数据集时速度较快。"
    disadvantages:
      - "对数据中的噪声和离群点敏感。"
      - "需要选择适当的子采样大小和树的数量。"
    applicable_scenarios:
      - "大规模、高维数据集的异常值检测。"
      - "需要高效处理速度的实时应用。"

  OneClassSVM:
    principle: "使用支持向量机方法，寻找最大化数据与原点间距的超平面，将正常数据与异常数据分离。"
    advantages:
      - "适用于线性和非线性数据。"
      - "在小样本数据集上表现良好。"
    disadvantages:
      - "对参数敏感，需谨慎调节。"
      - "在大规模数据集上计算成本较高。"
    applicable_scenarios:
      - "小型数据集的异常值检测。"
      - "数据分布复杂，需要非线性分割的情况。"

  LocalOutlierFactor:
    principle: "通过比较样本与其邻居的局部密度差异，识别异常点。异常点通常位于低密度区域。"
    advantages:
      - "无需监督标签即可检测异常。"
      - "能够发现局部异常。"
    disadvantages:
      - "计算复杂度高，处理大数据集时效率较低。"
      - "对参数（如邻居数量）敏感。"
    applicable_scenarios:
      - "数据集中存在局部异常的情况。"
      - "需要无监督异常检测的场景。"

  EllipticEnvelope:
    principle: "假设数据服从高斯分布，拟合一个椭圆包络，将数据包围其中，超出包络的点被视为异常。"
    advantages:
      - "适用于数据接近高斯分布的情况。"
      - "实现简单，计算速度快。"
    disadvantages:
      - "对非高斯分布的数据效果较差。"
      - "对异常值和噪声敏感。"
    applicable_scenarios:
      - "数据近似高斯分布的异常值检测。"
      - "需要快速检测异常的应用。"