- 博客(5)
- 收藏
- 关注
RSS订阅原创 【机器学习】_02_模型的选择与评估
1 模型验证 模型验证方法如下： 通过交叉验证得分：model_sleection.cross_val_score(estimator,X) 对每个输入数据点产生交叉验证估计：model_selection.cross_val_predict(estimator,X) 计算并绘制模型的学习率曲线：model_selection.learning_curve(estimator,X,y) ...
2019-08-06 17:08:20
409
转载 【机器学习】_01_特征工程
scikit-learn (sklearn) 官方文档中文版：https://sklearn.apachecn.org/ 在我们运用模型之前，我们首先要进行特征工程，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。特征处理是特征工程的核心部分，sklearn提供了较为完整的特征处理方法，包括数据预处理，特征选择，降维等。 1 特征工程 有这么...
2019-08-06 16:38:31
343
转载 机器学习算法 GBDT
http://www-personal.umich.edu/~jizhu/jizhu/wuke/Friedman-AoS01.pdf https://www.cnblogs.com/bentuwuying/p/6667267.html https://www.cnblogs.com/ModifyRong/p/7744987.html https://www.cnblogs.com/bentu...
2019-08-05 17:32:11
443
转载 GBDT入门教程之原理
GBDT (GradientBoostingDecisionTree)又叫MART （Multiple AdditiveRegressionTree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。 ...
2019-08-05 17:31:53
194
转载 Sklearn参数详解—GBDT
前言 这篇介绍Boosting的第二个模型GBDT，GBDT和Adaboost都是Boosting模型的一种，但是略有不同，主要有以下两点不同： GBDT使用的基模型是CART决策树，且只能是CART决策树，而Adaboost的默认基模型是CART决策树，可以是其他模型。 GBDT通过计算每次模型的负梯度来进行模型迭代，而Adaboost模型则根据错分率来进行模型迭代。 参数...
2019-08-05 17:31:20
1597
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