![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
模型
文章平均质量分 79
藓类少女
这个作者很懒,什么都没留下…
展开
-
【超参数调优】Optuna
Optuna 允许用户灵活地定义超参数的搜索空间,包括连续型、离散型和条件型超参数。目标函数需要接受一个对象,并返回一个需要最小化(或最大化)的值。# 加载数据集# 定义目标函数# 定义超参数搜索空间param = {# 创建 LightGBM 数据集# 训练模型# 预测y_pred = [list(x).index(max(x)) for x in y_pred] # 获取每行最大值的索引作为预测类别# 计算准确率# 创建研究对象。原创 2024-07-30 18:57:51 · 435 阅读 · 0 评论 -
【模型】VotingClassifier
VotingClassifier 是一个用于集成学习的分类器,它结合了多个不同模型的预测结果,以提高整体的预测准确性和稳定性。集成学习的基本思想是通过结合多个弱分类器来创建一个强分类器。VotingClassifier 是 scikit-learn 库中的一个类,支持多种分类模型的集成。原创 2024-07-30 18:41:07 · 283 阅读 · 0 评论 -
【模型】CatBoost
CatBoost 是一种高效的梯度提升决策树(GBDT)算法,由俄罗斯科技公司 Yandex 开发。它特别擅长处理分类特征和小数据集,在许多机器学习竞赛和实际应用中表现出色。原创 2024-07-30 18:38:07 · 150 阅读 · 0 评论 -
【模型】LightGBM
LightGBM 是一种基于决策树算法的梯度提升框架,专为快速高效的模型训练和预测设计。它由微软开发,并且广泛应用于各种机器学习任务,尤其在结构化数据和分类问题上表现出色。原创 2024-07-30 18:29:27 · 156 阅读 · 0 评论