最近，发现现在预测模型的文章，大多数都在用机器学习来建模和验证了，并且，可以看出，文章的题目已经不再强调“列线图”，现在文章多强调“SHAP”法。
举几个例子。
训练模型：使用数据集训练机器学习模型 计算SHAP值：使用SHAP库计算每个特征的SHAP值 可视化与解释：通过可视化方法展示SHAP值，进行模型解释
Python 可以说是现在最流行的机器学习语言，而且你也能在网上找到大量的资源。你现在也在考虑从 Python 入门机器学习吗？我们精心设计了一门课程《从零基础掌握Python机器学习与深度学习》，本课程能帮你成功上手，从零基础掌握 Python机器学习与深度学习。
第一模块 Python基础知识串讲 1、Python软件和模块安装、编程环境搭建 2、Python基本语法和操作 3、Python流程控制 4、Python函数与对象创建与使用 第二模块 Python科学计算 1、Matplotlib的安装与图形绘制 2、Numpy常用函数简介与使用 3、Pandas常用函数简介与使用 4、cipy常用函数简介与使用 5、实操练习 第三模块、Python统计分析与可视化 1、统计学基础知识（描述统计、统计推断、时空统计） 2、统计数据的描述与可视化 4、回归分析（多元线性回归模型、变量选择与模型优化、多重共线性与解决方法；Ridge回归；LASSO回归；ElasticNet回归等） 5、实操练习 第四模块、Python树模型（4课时） 1、机器学习概述、数据预测与预测建模 2、决策树模型 3、随机森林模型 4、Bagging与Boosting的区别与联系 5、AdaBoost vs. Gradient Boosting的工作原理 6、常用的GBDT算法框架（XGBoost、LightGBM） 7、SHAP法解释特征重要性与可视化（SHAP值的可视化与特征重要性解释） 8、部分依赖分析 9、实操练习 第五模块 因果推断与因果学习（4课时） 1、因果推断概述 2、因果推断范式（潜在因果推断、结构因果推断） 3、因果推断实现（传统方法、机器学习方法） 4、因果机制识别与发现（因果效应估计、非线性因果效应估计、因果作用未来预测） 5、时空因果推断 6、实操练习 第六模块 Python深度学习（6课时） 1、人工神经网络 2、深度学习模型原理 3、深度学习模型实现 4、案例演示与实操 第七模块 典型论文讲解与研究设计复现、答疑与交流（2课时） 1、树模型案例分析与实现 2、深度学习模型案例分析与实现 3、因果学习案例分析与实现 4、课程相关资料拷贝与分享 5、答疑与讨论（大家提前把问题整理好） |
课程特色：
提供ppt讲义+案例+数据+python代码
