- 博客(7)
- 收藏
- 关注
RSS订阅原创 集成学习之蒸汽量预测
一、概述这个问题输入38个特征，输出一个值，是一个回归问题。二、感想可以使用 kdeplot(核密度估计图) 进行数据的初步分析，删除测试数据集和训练集中分布不同的特征；可以通过求相关性系数删除和响应相关性太低的特征；可以用Box-Cox把数据转换为正态分布。...
2021-05-23 23:54:11
93
原创 集成学习之幸福感预测
幸福感预测的目的在于通过已知特征构建模型实现幸福感的预测。个人体会的流程如下：首先进行异常值检测，同时对已有特征进行补足或删除处理；基于已有特征根据个人理解构建新特征；构建集成模型，比较有意思的是LightGBM可以得到特征的重要性排序；多模型集成。值得注意的是最后虽然响应是离散值，但是进行模型集成的时候，将响应视作连续值进行回归貌似比分类效果好。...
2021-05-16 00:19:15
257
原创 集成学习之stacking
集成学习之stacking一、简介二、个人理解一、简介stacking是基于blending的扩展。由blending原理可知，数据集被分成了三份，训练集和验证集其实都在起训练作用，只不过前者训练第一层分类器，后者训练第二层分类器。这样好吗？这样不好：首先，数据集划分的随机性会导致构建的模型不够稳健，也就是说，划分方式的改变可能会导致构建的模型差异很大；其次，划分后用作训练的数据集明显变小，得想办法再利用。stacking的思想就是把K折交叉验证引入训练过程，这样的话，第一层分类器和第二层分类器训练数
2021-05-12 11:14:43
418
原创 #集成学习之Blending
<目录集成学习之Blending一、Blending是什么？二、与单一模型对比1.决策边界2.精度对比总结集成学习之Blending简要记录学习一、Blending是什么？Blending基本思想为构造两层模型，具体构建流程如下：数据划分为训练集、验证集和测试集；选择多个模型作为第一层模型，在训练集进行训练；第一层模型在验证集进行预测，将预测结果作为特征，在验证集构建第二层模型进行训练；第一层模型加第二层模型为最终模型，在测试集检验精度。二、与单一模型对比1.决策边界以iris数据集
2021-05-11 21:19:34
294
原创 VS2019配置armadillo
VS2019配置armadillo官网下载armdillo http://arma.sourceforge.net/download.html参考这篇博客配置库，本文按照方式1已进行测试新建C++工程，拷入armadillo子文件夹examples中的example1进行编译，编译不通过，提示缺少blas_win64_MT.dll；将examples子文件夹下lib_win64中的两个...
2020-01-02 15:33:29
1356
1
原创 小白的C++入门
这两天需要把一个matlab程序写成C++，考虑C++函数太少，找了两个科学计算库，一个是armadillo，一个是gsl，找教程配了一下，周末写个总结。
2019-09-26 11:56:52
445
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人