CCF BDCI竞赛——离散制造过程中典型工件的质量符合率预测（完整代码分享）

最新推荐文章于 2022-07-06 13:49:29 发布
最新推荐文章于 2022-07-06 13:49:29 发布
阅读量1.3k 收藏 14
点赞数
分类专栏： 机器学习 赛事 文章标签： python 机器学习 人工智能 数据分析 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/foolishl/article/details/110131900
版权

@by:Bolero_L

目录

一、赛题描述

赛事链接：https://www.datafountain.cn/competitions/351

1.1 赛题背景

  • 在高端制造领域，随着数字化转型的深入推进，越来越多的数据可以被用来分析和学习，进而实现制造过程中重要决策和控制环节的智能化，例如生产质量管理。从数据驱动的方法来看，生产质量管理通常需要完成质量影响因素挖掘及质量预测、质量控制优化等环节，本赛题将关注于第一个环节，基于对潜在的相关参数及历史生产数据的分析，完成质量相关因素的确认和最终质量符合率的预测。在实际生产中，该环节的结果将是后续控制优化的重要依据。

1.2 赛题任务

  • 由于在实际生产中，同一组工艺参数设定下生产的工件会出现多种质检结果，所以我们针对各组工艺参数定义其质检标准符合率，即为该组工艺参数生产的工件的质检结果分别符合优、良、合格与不合格四类指标的比率。相比预测各个工件的质检结果，预测该质检标准符合率会更具有实际意义。

本赛题要求参赛者对给定的工艺参数组合所生产工件的质检标准符合率进行预测。

1.3 数据说明

  • 【数据简介DATA BACKGROUD】
    在此任务中，以某典型工件生产过程为例，我们将提供给参赛者一系列工艺参数，以及在相应工艺参数下所生产工件的质量数据。该数据来源于某工厂采集的真实数据，已做脱敏处理。

（1）训练数据将提供：

A：工艺参数（如设备加工参数）

B：工件的质量数据

C：工件所符合的质检指标

（2）测试数据将提供：

A：工艺参数（如设备加工参数）

【数据说明DATA DESCRIPTION】
（1）初赛训练数据集文件名称为first_round_training_data.csv，csv格式，其中包含21个字段，6000行，含A,B,C三类数据，具体信息如下：

字段类型字段名数据类型取值范围字段解释
AParameter1Float(0,3.9e+09]工艺参数1
AParameter2Float(0,1.4e+09]工艺参数2
AParameter3Float(0,2.9e+09]工艺参数3
AParameter4Float(0,3.7e+08]工艺参数4
AParameter5Float(0,70]工艺参数5
AParameter6Float(0,43]工艺参数6
AParameter7Float(0,2.4e+04]工艺参数7
AParameter8Float(0,7.6e+04]工艺参数8
AParameter9Float(0,6.1e+08]工艺参数9
AParameter10Float(0,1.5e+04]工艺参数10
BAttribute1Float(0,1.2e+07]工件属性1
BAttribute2Float(0,3.2e+08]工件属性2
BAttribute3Float(0,5.1e+09]工件属性3
BAttribute4Float(0,6.3e+07]工件属性4
BAttribute4Float(0,6.4e+09]工件属性5
BAttribute4Float(0,2.6e+07]工件属性6
BAttribute4Float(0,8.5e+09]工件属性7
BAttribute4Float(0,5.6e+10]工件属性8
BAttribute4Float(0,1.8e+12]工件属性9
BAttribute4Float(0,2.0e+11]工件属性10
CQuality_labelCategorical{Fail, Pass, Good, Excellent}工件所符合的质检指标，包括四类，其中Fail: 质检不合格；Pass：质检合格；Good：质检结果为良；Excellent：质检结果为优。

（2）初赛测试数据集文件名称为first_round_testing_data.csv，包含11个字段，仅提供A类数据，具体信息如下：

字段类型字段名数据类型取值范围字段解释
IDGroupInt0,1,2,……,N-1测试集工件数据点所对应的工艺参数组别。
AParameter1Float(0,3.9e+09]工艺参数1
AParameter2Float(0,1.4e+09]工艺参数2
AParameter3Float(0,2.9e+09]工艺参数3
AParameter4Float(0,3.7e+08]工艺参数4
AParameter5Float(0,70]工艺参数5
AParameter6Float(0,43]工艺参数6
AParameter7Float(0,2.4e+04]工艺参数7
AParameter8Float(0,7.6e+04]工艺参数8
AParameter9Float(0,6.1e+08]工艺参数9
AParameter10Float(0,1.5e+04]工艺参数10

要求参赛者基于A类数据计算出各组工艺参数的工件质检标准符合率。

1.4 提交示例 SUBMITTED SAMPLE

  • 初赛阶段提交csv文件的示例参见example_result.csv。

1.5 评测标准GRADING

本次竞赛初赛评价指标使用MAE系数。
平均绝对差值是用来衡量模型预测结果对标准结果的接近程度一种衡量方法。计算方法如下：在这里插入图片描述
其中predi为预测样本，yi 为真实样本。MAE的值越小，说明预测数据与真实数据越接近。
最终结果为:在这里插入图片描述
最终结果越接近1分数越高.

二、数据导入

2.1 导库

# 导库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score,log_loss
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import GridSearchCV



import warnings
warnings.filterwarnings('ignore')

2.2 数据读取

# 数据读取

train_data = pd.read_csv('.../first_round_training_data.csv')
test_data = pd.read_csv('.../first_round_testing_data.csv')
submit = pd.read_csv('.../submit_example.csv')

2.3 数据观察

print(train_data.describe())
print(test_data.describe())

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

train_data.head(10)

在这里插入图片描述

三、数据预处理

3.1 标签处理

对Quality_label 进行数值处理

# 对Quality_label 进行数值处理

# {Fail, Pass, Good, Excellent}
dic = {'Excellent': '0', 'Good': '1', 'Pass': '2', 'Fail': '3'}
train_data['Quality_label'] = train_data["Quality_label"].map(dic)

3.2 检查缺失值

# 缺失值检查

print(train_data.isnull().sum())

在这里插入图片描述

3.3 数值分析

由于matplotlib在绘图时，出现中文显示问题，使用如下代码进行修改

#解决matplotlib绘图中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
# plt.rcParams['font.sans-serif'] = ['KaiTi']   # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False   # 解决保存图像是负号'-'显示为方块的问题

对数据进行连续性和离散型分析

# 连续性和离散型分析

col_name = train_data.columns
Notdlts_count = []
for i in col_name:
    # 计算非重复值的个数   drop_duplicates：去除重复值
    Notdlts = len(train_data[i].drop_duplicates())/6000
    Notdlts_count.append(Notdlts)

plt.figure(figsize=(20,5))    

plt.plot(col_name, Notdlts_count, c='r')
plt.title('计算非重复值的占比')                 # 标题
plt.xlabel('字段名')                        # x轴 的轴名
plt.ylabel('非重复数据在全数据上的占比')  # y轴 的轴名
plt.xticks(rotation=90)                   # 旋转 x轴的刻度
for x,y in zip(col_name,Notdlts_count):
    plt.text(x,y,'%.3f' % y,fontdict={'fontsize':15}) #对图像每个点进行标注具体比例

plt.show()

在这里插入图片描述

由图可知，Parameter 5 - 10 基本为离散特征，而 Attribute 4 - 10 有可能是离散特征， 其余均为连续特征

3.4 数据划分

根据数值分析得出的结论，Parameter 5 - 10 基本为离散特征。 Attribute 4 - 10 有可能是离散特征，但是在test中无可用数据，后期可以对train数据集进行训练，从而得出test数据集中的Attribute，加大特征，从而可以将A和B列全部考虑，并进行筛选特征，我猜测，这样操作或许可以提高score。

# 数据划分
data = train_data.append(test_data)
feature_name = ['Parameter{0}'.format(i) for i in range(5, 11)]
tr_index = ~data['Quality_label'].isnull()
X_train = data[tr_index][feature_name].reset_index(drop=True)
y = data[tr_index]['Quality_label'].reset_index(drop=True).astype(int)
X_test = data[~tr_index][feature_name].reset_index(drop=True)

生成（6000,4）的0矩阵，为下面的结果保存做准备

print(X_train.shape,X_test.shape) # (6000, 6) (6000, 6)
# oof = np.zeros((X_train.shape[0],4)) # (6000,4)
pred = np.zeros((X_test.shape[0],4)) # (6000,4)

4、模型训练

本文选择如下模型进行训练：
1.SVC
2.GradientBoostingClassifier
3.CatboostClassifier

下面在模型训练时候，有以下几个不解之处，已给出对应回答。

选择predict_proba 而不是predict的原因

predict是训练后返回预测结果，是标签值。

predict_proba返回的是一个 n 行 k 列的数组， 第 i 行 第 j 列上的数值是模型预测 第 i个预测样本为某个标签的概率，并且每一行的概率和为1。

np.eye(4)返回的是一个四维的数组(N,M)，对角线的地方为1，其余的地方为0.用于映射Quality_label对应的标签
pandas.get_dummies(data, prefix=None, prefix_sep=’_’, dummy_na=False,columns=None, sparse=False, drop_first=False, dtype=None)
pandas 中的get_dummies 方法主要用于对类别型特征做 One-Hot 编码（独热编码)

4.1 SVC

#  SVC线上有效得分：0.48324507000  分
def svc(X_train, y, X_test):
    model = SVC(probability=True)
    model.fit(X_train,y)
    pred = model.predict_proba(X_test)
    
    MAE = 1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480)
    svc_score = 1/(1+10*MAE)
    
    print('log_loss',log_loss(pd.get_dummies(y).values, pred))
    print('svc_ac',accuracy_score(y, np.argmax(pred,axis=1)))
    print('MAE',1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480))
    print('svc_score',1/(1+10*MAE))
    print('--------------------------------')

    return model

4.2 GradientBoostingClassifier

# gdbt线上有效得分：0.46390095000 分
def gdbt():
    model =GradientBoostingClassifier()
    model.fit(X_train,y)
#     oof = model.predict_proba(X_test)
#     prediction = model.predict_proba(X_test)

    pred = model.predict_proba(X_test) 
    MAE = 1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480)
    gdbt_score = 1/(1+10*MAE)
    print('log_loss',log_loss(pd.get_dummies(y).values, pred))
    print('gbdt_ac',accuracy_score(y,np.argmax(pred,axis = 1)))
    print('MAE',1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480))
    print('gdbt_score',1/(1+10*MAE))
    print('--------------------------------')

    return model

4.3 CatBoostClassifier

# cbt 线上有效得分：0.46392205000分

def cbt():
    model = CatBoostClassifier()
    model.fit(X_train,y)
    
    pred = model.predict_proba(X_test) 
    MAE = 1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480)
    gdbt_then_score = 1/(1+10*MAE)
    print('log_loss',log_loss(pd.get_dummies(y).values, pred))
    print('cbt_ac',accuracy_score(y,np.argmax(pred,axis = 1)))
    print('MAE',1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480))
    print('cbt_score',1/(1+10*MAE))
    print('--------------------------------')

    return model

4.4 结果显示

if __name__ == '__main__':
    svc(X_train, y, X_test)
    svc_then()
    gdbt()
    gdbt_then()
    cbt()
    cbt_then()
    model_mix()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
通过三组数据，可以发现，在未调参之前的，线下：SVC的Score> GradientBoostingClassifier 的Score>CatBoostClassifier的Score。
至此，思考是否通过调参和模型融合会对得分有所提高。

5、调参

5.1 SVC调参

5.1.1 参数调节：
# SVC 调参
# 调参发现C调整结果反而降低，索性不对C进行调参
# 初始参数
# SVC(C=1.0,kernel='rbf',degree=3,gamma='scale')
# params = {'C': 1.0, 'kernel': 'rbf', 'gamma': 'auto'}
# kernel : {'linear', 'poly', 'rbf', 'sigmoid', 'precomputed'}，gamma : {'scale', 'auto'}
svc_then_params = { 'gamma': 'auto'}
# params_then_grid = { 'gamma': 'auto'}

# params_grid = { 'gamma': 'auto'}

# param_grid = {'gamma' :['scale','auto']}

# m  = GridSearchCV(SVC(),params_grid)
# m.fit(X_train,y)
# print("该参数下得到的最佳得分为：{}".format(m.best_score_))
# print("最佳参数为：{}".format(m.best_params_))
5.1.2 SVC新模型
#  svc_then线上有效得分：分
def svc_then():
    model =SVC(probability=True,**svc_then_params)
    model.fit(X_train,y)
#     oof = model.predict_proba(X_test)
#     prediction = model.predict_proba(X_test)

    pred = model.predict_proba(X_test) 
    MAE = 1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480)
    gdbt_then_score = 1/(1+10*MAE)
    print('log_loss',log_loss(pd.get_dummies(y).values, pred))
    print('svc_then_ac',accuracy_score(y,np.argmax(pred,axis = 1)))
    print('MAE',1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480))
    print('svc_then_score',1/(1+10*MAE))
    print('--------------------------------')

    return model

5.2 GradientBoostingClassifier调参

5.2.1 参数调节：
# gdbt调参
# 
# c初始参数
# params = {'learning_rate': 0.1, 'n_estimators': 10, 'min_samples_split': 300, 'min_samples_leaf': 20, 'max_depth': 8,
#           'max_features':'sqrt', 'subsample': 0.8 }
#   内部节点再划分所需最小样本数min_samples_split、叶子节点最少样本数min_samples_leaf、决策树最大深度max_depth
#   最大特征数max_features、不放回抽样subsample 推荐在[0.5, 0.8]之间，默认是1.0，即不使用子采样
gdbt_then_params = {'learning_rate': 0.1, 'n_estimators': 52, 'min_samples_split':809, 'min_samples_leaf': 70, 'max_depth': 5,
                    'max_features':'sqrt', 'subsample': 0.8 }

# param_grid = {#'n_estimators':range(1,100,1),
#               #'max_depth':range(5,14,1),
#               #'min_samples_split':range(10,1000,100)}
#               #'min_samples_split':range(800,825,1),
#               #'min_samples_leaf': range(10,100,10)}
#               #'max_features':('sqrt','log2'),
#               #'subsample':range(0.5,0.8,0.05)}
# m  = GridSearchCV(GradientBoostingClassifier(),param_grid)
# m.fit(X_train,y)
# print("该参数下得到的最佳得分为：{}".format(m.best_score_))
# print("最佳参数为：{}".format(m.best_params_))
5.2.2 GradientBoostingClassifier新模型
#  gdbt_then线上有效得分：0.46390095000分
def gdbt_then():
    model =GradientBoostingClassifier(**gdbt_then_params)
    model.fit(X_train,y)
#     oof = model.predict_proba(X_test)
#     prediction = model.predict_proba(X_test)

    pred = model.predict_proba(X_test) 
    MAE = 1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480)
    gdbt_then_score = 1/(1+10*MAE)
    print('log_loss',log_loss(pd.get_dummies(y).values, pred))
    print('gbdt_then_ac',accuracy_score(y,np.argmax(pred,axis = 1)))
    print('MAE',1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480))
    print('gdbt_then_score',1/(1+10*MAE))
    print('--------------------------------')

    return model

5.3 CatBoostClassifier调参

5.3.1 参数调节：
# cbt调参
# 
# c 初始化参数
# params = {'learning_rate' : 0.086, 'iterations': 1000, 'verbose': 300, 'task_type': 'GPU','loss_function': 'MultiClass'}
                  
# cbt_then_params = {'learning_rate' : 0.05, 'iterations': 700, 'verbose': 300,'loss_function': 'MultiClass'}

cbt_then_params = {'learning_rate' : 0.05, 'iterations': 700, 'verbose': 300}

# param_grid = {#'iterations': range(600,2000,100)}
#                'learning_rate': [0.05,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65,0.7,0.75,0.8,0.85,0.9,0.95,1 ]}
                                                                      
# m  = GridSearchCV(CatBoostClassifier(),param_grid)
# m.fit(X_train,y)
# print("该参数下得到的最佳得分为：{}".format(m.best_score_))
# print("最佳参数为：{}".format(m.best_params_))
5.3.2 CatBoostClassifier新模型
# cbt_then 线上有效得分：
def cbt_then():
    model = CatBoostClassifier(**cbt_then_params)
    model.fit(X_train,y)
    
    pred = model.predict_proba(X_test) 
    MAE = 1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480)
    gdbt_then_score = 1/(1+10*MAE)
    print('log_loss',log_loss(pd.get_dummies(y).values, pred))
    print('cbt_then_ac',accuracy_score(y,np.argmax(pred,axis = 1)))
    print('MAE',1/(1 + np.sum(np.absolute(np.eye(4)[y] - pred))/480))
    print('cbt_then_score',1/(1+10*MAE))
    print('--------------------------------')

    return model

5.4 结果显示

if __name__ == '__main__':
    svc(X_train, y, X_test)
    svc_then()
    gdbt()
    gdbt_then()
    cbt()
    cbt_then()
    model_mix()

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

通过三组数据，可以发现，在调参之后的，线下：SVC的Score> GradientBoostingClassifier 的Score>CatBoostClassifier的Score。
至此，综合考虑，本次实验SVC作为主要模型进行实验。
而对于模型融合，已经试过，如下图所示。通过图可以发现选择SVC作为单独模型的优势。所以，本次模型融合不予考虑。在这里插入图片描述

6、输出结果

6.1保存predict

# 得出每个模型的predict

svc = SVC(probability=True)
svc.fit(X_train,y)
svc_pred = svc.predict_proba(X_test)

svc_then = SVC(probability=True)
svc.fit(X_train,y)
svc_then_pred = svc.predict_proba(X_test)

gdbt = GradientBoostingClassifier()
gdbt.fit(X_train,y)
gdbt_pred = gdbt.predict_proba(X_test)

gdbt_then = GradientBoostingClassifier()
gdbt_then.fit(X_train,y)
gdbt_then_pred = gdbt.predict_proba(X_test)

cbt = CatBoostClassifier()
cbt.fit(X_train,y)
cbt_pred = cbt.predict_proba(X_test)

cbt_then = CatBoostClassifier()
cbt_then.fit(X_train,y)
cbt_then_pred = cbt.predict_proba(X_test)

6.2 输出结果

结果输出：

sub = test_data[['Group']]
prob_cols = [i for i in submit.columns if i not in ['Group']]
print(prob_cols)
for i, f in enumerate(prob_cols):
#     sub[f] = svc_pred[:, i]
    sub[f] = svc_then_pred[:, i]
for i in prob_cols:
    sub[i] = sub.groupby('Group')[i].transform('mean')
sub = sub.drop_duplicates()
# sub.to_csv("C:/Users/93601/Desktop/svc_submission_mean.csv",index=False)
sub.to_csv("C:/Users/93601/Desktop/svc_then_submission_mean.csv",index=False)
# sub.to_csv("C:/Users/93601/Desktop/gdbt_submission_mean.csv",index=False)
# sub.to_csv("C:/Users/93601/Desktop/gdbt_then_submission_mean.csv",index=False)
# sub.to_csv("C:/Users/93601/Desktop/cbt_submission_mean.csv",index=False)
# sub.to_csv("C:/Users/93601/Desktop/cbt_then_submission_mean.csv",index=False)
Bolero_L
关注
  • 0
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
专栏目录
项目实战——工业离散器件符合率的预测
Cecilia
03-08 1354
数据背景介绍 数据来源于DataFuntain中的离散制造过程中典形工件的质量符合率预测, 以某典型工件生产过程为例，我们将提供给参赛者一系列工艺参数，以及在相应工艺参数下所生产工件的质量数据。 数据下载地址：[数据下载地址（百度云）](链接：https://pan.baidu.com/s/1AqlRVHrDAUHHt50eZsXK8A 提取码：7pie )（如若失效了，请可以自行官网下载或者联...
机器学习项目（一）工业离散制造过程中的符合率业务需求问题(一)
qq_33357094的博客
02-28 548
工业离散制造过程中的符合率业务需求问题 前期知识储备 机器学习三大件：Numpy Matplotlib Pandas 表格型数据 数据挖掘算法：有监督、无监督 机器学习神奇-Sklearn:Sklearn的机器学习算法的应用 大背景—— 智能制造带来的革命性影响(工业4.0) 业务场景分析 在高端制造领域，随着数字化转型的深入推进，越来越多的数据可以被用来分析和学习， 进而实现制造过程中重要决策和...
离散制造过程中典型工件的质量符合率预测（线上测试0.697）开源
朝闻道
02-06 1462
import numpy as np import pandas as pd import catboost as cbt from sklearn.metrics import accuracy_score, roc_auc_score, log_loss import gc import math import time from tqdm import tqdm import datetime from sklearn.model_selection import KFold, Stratified.
Python实现对离散制造过程中典型工件的质量符合率预测
毕业作品网站
07-06 552
由于在实际生产中，同一组工艺参数设定下生产的工件会出现多种质检结果，所以我们针对各组工艺参数定义其质检标准符合率，即为该组工艺参数生产的工件的质检结果分别符合优、良、合格与不合格四类指标的比率。相比预测各个工件的质检结果，预测该质检标准符合率会更具有实际意义。本赛题要求对给定的工艺参数组合所生产工件的质检标准符合率进行预测。在此任务中，以某典型工件生产过程为例，提供一系列数据。该数据来源于某工厂采集的真实数据，已做脱敏处理。（1）训练数据将提供：A：工艺参数（如设备加工参数）B：工件的质量数据 C：工件所符
天池工业AI大赛-智能制造质量预测
dataastron的博客
01-13 2753
竞赛笔记ID466记录丢弃750X1452，750X1350，750X1442,750X717,750X718,420X186 这几个字段去掉代表TOOL_ID后面的一些列一直到下一个TOOL_ID，一系列工序都是在这个机台上进行的 一个完整工序里的不同工位提交第一列不能是index在交叉验证的时候用cross_val_score(etr, x_train, y_train, cv=10, sco
2020 CCF BDCI 成果汇编.pdf
11-22
2020 CCF BDCI 成果汇编电子版 涵盖2020年 CCF BDCI 大数据与计算智能大赛所有赛道前五名的算法思路和解析。
基于CCF-BDCI-中文新闻数据的情感分析python源码+数据集.zip
最新发布
06-03
基于CCF-BDCI-中文新闻数据的情感分析python源码+数据集.zip基于CCF-BDCI-中文新闻数据的情感分析python源码+数据集.zip基于CCF-BDCI-中文新闻数据的情感分析python源码+数据集.zip基于CCF-BDCI-中文新闻数据的情感...
CCF-BDCI-Sentiment-Analysis-Baseline:CCF-BDCI-情感分析-基线的代码
04-14
CCF-BDCI-Sentiment-Analysis-Baseline1.从该中改写的2.该模型将文本截成k段，分别输入语言模型，然后顶层用GRU拼接起来。好处在于设置小的max_length和更大的k来降低显存占用，因为显存占用是关于长度平方级增长的...
CCF平台的竞赛——基于视角的领域情感分析.zip
10-22
CCF平台的竞赛——基于视角的领域情感分析.zip
基于Python CCF BDCI 2019 互联网新闻情感分析【100012372】
05-24
自从BERT出现后，现在的比赛baseline基本就是BERT之类的模型，其他仅限基于CNN/RNN的模型不堪一击，因此借此次比赛的机会，将我的代码整理出来做成一个支持BERT/XLNet/ALBERT等基于transformer模型的文本分类工具，...
机器学习通用代码（XGboost、LightGBM、Catboost）
02-12
机器学习算法XGboost、LightGBM、Catboost的代码架构，满足基本的数据分析，回归、二分类、多分类。
工业生产流程的数据分析预测
08-29
工业故障智能预测：使用随机深林进行预测。含有：testA_suzhou，train_suzhou，测试A_20180117，测试B_20180117，训练_20180117等数据和模型代码
“智源 — INSPEC 工业大数据质量预测赛” 上线，为硬核工业制造炼就 AI 之心...
BAAIBeijing的博客
01-19 620
2019 年 12 月，北京智源人工智能研究院联合博世和数据评测平台biendata，共同发布了“INSPEC 工业检测大数据 (Industrial Specification Ins...
天池平台 --- 工业AI大赛智能制造质量预测
Peace
03-05 2706
赛题：https://tianchi.aliyun.com/competition/entrance/231633/information 基于Python的解决方案： 原始jupyter文件，网盘： 链接：https://pan.baidu.com/s/1guIwAlk9zvI3ULcZ8kkBnw 提取码：g0xs 主要关注数据处理的方法，神经网络建立的方法，逻辑次要。 相关工具包： ...
开源-BDCI2018面向电信行业存量用户的智能套餐个性化匹配模型Top1解决方案和代码
CaptureItTechnology的博客
03-09 524
https://mp.weixin.qq.com/s/hOjLTNEBAt3DNiT6F-yHCw复现网址
【catboost】官方调参教程
xiangxiang613的专栏
05-20 1万+
CatBoost官方教程：调参 本文翻译至官方原文：https://catboost.ai/docs/concepts/parameter-tuning.html CatBoost为参数调整提供了灵活的界面，可以对其进行配置以适合不同的任务。 本节包含有关可能的参数设置的一些提示。 catBoost提供了为Python、R语言和命令行都提供了可使用的参数，其中Python和R的完全相同，命令行参数格式则有点不同。 如L2正则化参数，python和R中为：l2_leaf_reg ，命令行中为–l2-lea
catboost参数详解及实战（强推）
热门推荐
机器学习、深度学习、文本分类、异常检测、风控等知识的积累和分享
07-04 2万+
catboost参数详解（史上最细），以及实战贝叶斯调参
使用GridSearchCV对CatBoostClassifier分类器调参
cy_believ的博客
09-20 7127
实战： params = {'depth': [4, 6, 10], 'learning_rate' : [0.05, 0.1, 0.15], # 'l2_leaf_reg': [1,4,9] # 'iterations': [1200], # 'early_stopping_rounds':[1000], # ...
CatBoost算法和调参
weixin_33881140的博客
07-01 1万+
 欢迎关注博主主页，学习python视频资源 sklearn实战-乳腺癌细胞数据挖掘（博主亲自录制视频） https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=s...
CCF BDCI 含金量
09-09
CCF BDCI（中国计算机学会大数据产业专委会大数据竞赛）是由中国计算机学会主办的一项大数据竞赛。它是中国领先的大数据竞赛之一，旨在推动大数据技术在各个领域的应用和创新。 该竞赛的含金量很高，因为它聚集了...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值