基于XGBOOST模型预测货物运输耗时 - Part 3 XGBOOST与LightGBM择优选择模型

最新推荐文章于 2024-05-19 11:09:09 发布
最新推荐文章于 2024-05-19 11:09:09 发布
阅读量172 收藏
点赞数
文章标签： 机器学习 数据挖掘 python
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/m0_57446978/article/details/130769541
版权
  • LightGBM在数据量大的时候，速度会明显比XGBOOST快，但XGBOOST的预测准确性会更高。
from sklearn.preprocessing import OneHotEncoder
from xgboost import XGBRegressor

# 读取历史数据
history_data = df_replen_2[['mot', 'country', 'priority', 'cc', 'climate_count','shippingfrequency','isgreen', 'holiday_count','forwarder', 'dayofweek','ts_pu_hour', 'lt_pu_pod']]

# 选取需要使用的特征列
feature_cols = ['mot', 'country', 'priority', 'cc', 'climate_count','shippingfrequency','isgreen', 'holiday_count','forwarder', 'dayofweek']

# 使用独热编码处理特征列
encoder = OneHotEncoder(sparse=False, handle_unknown='ignore')
encoder.fit(history_data[feature_cols])
history_data_encoded = pd.DataFrame(encoder.transform(history_data[feature_cols]))

# 获取独热编码后的特征列名称
feature_names = encoder.get_feature_names(feature_cols)

# 将独热编码后的特征列与运输耗时列合并
history_data_encoded["ts_pu_hour"] = history_data["ts_pu_hour"]
history_data_encoded["lt_pu_pod"] = history_data["lt_pu_pod"]


# 拆分训练集和测试集
train_data = history_data_encoded.sample(frac=0.8, random_state=123)
test_data = history_data_encoded.drop(train_data.index)

# 训练模型
xgb_model = XGBRegressor(n_estimators=100, learning_rate=0.1, max_depth=20, reg_alpha=9, reg_lambda=5, gamma=0.6)
xgb_model.fit(train_data.iloc[:, :-1], train_data.iloc[:, -1])

# 在测试集上进行评估
r2_score = xgb_model.score(test_data.iloc[:, :-1], test_data.iloc[:, -1])
print("R2 score on test data:", r2_score)

# 读取新数据
new_data = df_replen_open[['mot', 'country', 'priority', 'cc', 'climate_count','shippingfrequency','isgreen', 'holiday_count','forwarder', 'dayofweek','ts_pu_hour']]

# 对新数据进行独热编码处理
new_data_encoded = pd.DataFrame(encoder.transform(new_data[feature_cols]))
new_data_encoded['ts_pu_hour'] = new_data['ts_pu_hour']

# 使用模型进行预测
predictions = xgb_model.predict(new_data_encoded)

# 输出预测结果
print("Predictions:", predictions)

R2 score on test data: 0.9287763507620541
Predictions: [19.772514   7.7723885  6.275913  ... 13.262593   5.5251946  5.3950086]

new_data = df_replen_2[['mot', 'country', 'priority', 'cc', 'climate_count','shippingfrequency','isgreen', 'holiday_count','forwarder', 'dayofweek','ts_pu_hour']]
new_data_encoded = pd.DataFrame(encoder.transform(new_data[feature_cols]))
new_data_encoded['ts_pu_hour'] = new_data["ts_pu_hour"]
predictions = xgb_model.predict(new_data_encoded)
df_replen_2['forecast_lt_pu_pod_xgb'] = pd.Series(predictions)

# # 定义参数网格
# param_grid = {
#     'n_estimators': [100, 200, 300],
#     'learning_rate': [0.1, 0.05, 0.01],
#     'max_depth': [5, 10, 15],
#     'reg_alpha': [0, 1, 5],
#     'reg_lambda': [0, 1, 5],
#     'gamma': [0.1, 0.5, 1]
# }

# # 创建XGBoost回归器
# xgb_model = XGBRegressor()

# # 创建网格搜索对象
# grid_search = GridSearchCV(estimator=xgb_model, param_grid=param_grid, scoring='r2', cv=5)

# # 在训练集上执行网格搜索
# grid_search.fit(train_data.iloc[:, :-1], train_data.iloc[:, -1])

# # 输出最佳参数组合
# print("Best parameters:", grid_search.best_params_)

# # 输出最佳模型的R2得分
# best_model = grid_search.best_estimator_
# r2_score = best_model.score(X_test, y_test)
# print("R2 score of the best model:", r2_score)

df_replen_open['forecast_lt_pu_pod_xgb'] = pd.Series(predictions)

import lightgbm as lgb
from sklearn.preprocessing import OneHotEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

# 读取历史数据
history_data = df_replen_2[['mot', 'country', 'priority', 'cc', 'climate_count','shippingfrequency','isgreen', 'holiday_count','forwarder', 'dayofweek','ts_pu_hour', 'lt_pu_pod']]

# 选取需要使用的特征列
feature_cols = ['mot', 'country', 'priority', 'cc', 'climate_count','shippingfrequency','isgreen', 'holiday_count','forwarder', 'dayofweek','ts_pu_hour']

# 使用独热编码处理特征列
encoder = OneHotEncoder(sparse=False, handle_unknown='ignore')
encoder.fit(history_data[feature_cols])
history_data_encoded = pd.DataFrame(encoder.transform(history_data[feature_cols]))

# 获取独热编码后的特征列名称
feature_names = encoder.get_feature_names(feature_cols)

# 将独热编码后的特征列与运输耗时列合并
history_data_encoded["ts_pu_hour"] = history_data["ts_pu_hour"]
history_data_encoded["lt_pu_pod"] = history_data["lt_pu_pod"]


# 拆分训练集和测试集
train_data, test_data = train_test_split(history_data_encoded, test_size=0.2, random_state=123)

# 准备训练集数据
X_train = train_data.iloc[:, :-1]
y_train = train_data.iloc[:, -1]

# 准备测试集数据
X_test = test_data.iloc[:, :-1]
y_test = test_data.iloc[:, -1]

# 使用LightGBM模型
lgb_model = lgb.LGBMRegressor(n_estimators=100, learning_rate=0.05, max_depth=22, reg_alpha=9, reg_lambda=5, gamma=0.6)

# 拟合训练集
lgb_model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = lgb_model.predict(X_test)

# 计算R2得分
r2_score_lgb = r2_score(y_test, y_pred)
print("R2 score using LightGBM:", r2_score_lgb)

# 使用模型进行新数据预测
new_data = df_replen_open[['mot', 'country', 'priority', 'cc', 'climate_count','shippingfrequency','isgreen', 'holiday_count','forwarder', 'dayofweek','ts_pu_hour']]
new_data_encoded = pd.DataFrame(encoder.transform(new_data[feature_cols]))
new_data_encoded['ts_pu_hour'] = new_data['ts_pu_hour']
predictions_lgb = lgb_model.predict(new_data_encoded)

# 输出预测结果
print("Predictions using LightGBM:", predictions_lgb)

[LightGBM] [Warning] Unknown parameter: gamma
R2 score using LightGBM: 0.8743557858040798
Predictions using LightGBM: [17.6757881   8.03650015  5.94436404 ... 11.29174144  5.99137554
  5.94436404]

new_data = df_replen_2[['mot', 'country', 'priority', 'cc', 'climate_count','shippingfrequency','isgreen', 'holiday_count','forwarder', 'dayofweek','ts_pu_hour']]
new_data_encoded = pd.DataFrame(encoder.transform(new_data[feature_cols]))
new_data_encoded['ts_pu_hour'] = new_data['ts_pu_hour']
predictions_lgb = lgb_model.predict(new_data_encoded)
df_replen_2['forecast_lt_pu_pod_lgb'] = pd.Series(predictions_lgb)

df_replen_2['xgb_accuracy'] = df_replen_2['lt_pu_pod'] - df_replen_2['forecast_lt_pu_pod_xgb']
df_replen_2['lgb_accuracy'] = df_replen_2['lt_pu_pod'] - df_replen_2['forecast_lt_pu_pod_lgb']

# 获取不同地理位置（geo）的唯一值列表
country_list = df_replen_2[df_replen_2['geo']=='LAS']['country'].unique()

# 遍历每个地理位置（geo）
for country in country_list:
    # 获取特定地理位置（geo）的 lt_pu_pod 数据
    lt_pu_pod = df_replen_2[df_replen_2['country'] == country]['xgb_accuracy']
    
    # 绘制 lt_pu_pod 分布图
    plt.figure(figsize=(10, 6))
    plt.hist(lt_pu_pod, bins=30, density=True, alpha=0.7, color='b')

    # 将绝对值小于1的部分标记为粉红色
    plt.hist(lt_pu_pod[np.abs(lt_pu_pod) < 1], bins=30, density=True, alpha=0.7, color='pink')

    # 将绝对值小于2且大于等于1的部分标记为红色
    plt.hist(lt_pu_pod[(np.abs(lt_pu_pod) >= 1) & (np.abs(lt_pu_pod) < 2)], bins=30, density=True, alpha=0.7, color='red')
    
    # 设置标题和坐标轴标签
    plt.title(f'xgb_accuracy Distribution (country: {country})')
    plt.xlabel('xgb_accuracy')
    plt.ylabel('Probability Density')
    
    # 计算小于1的部分占比
    ratio_lt_1 = len(lt_pu_pod[np.abs(lt_pu_pod) < 1]) / len(lt_pu_pod)

    # 计算小于2的部分占比
    ratio_lt_2 = len(lt_pu_pod[(np.abs(lt_pu_pod) >= 1) & (np.abs(lt_pu_pod) < 2)]) / len(lt_pu_pod)
    
    # 打印小于1的部分占比和小于2的部分占比
    print(f'地理位置（country: {country}）小于1的部分占比：{ratio_lt_1}')
    print(f'地理位置（country: {country}）小于2的部分占比：{ratio_lt_2+ratio_lt_1}')
    
    # 显示图形
    plt.show()

地理位置（country: MX）小于1的部分占比：0.5792474344355758
地理位置（country: MX）小于2的部分占比：0.7537058152793614

在这里插入图片描述

地理位置（country: CL）小于1的部分占比：0.5108045977011494
地理位置（country: CL）小于2的部分占比：0.7190804597701149

在这里插入图片描述

地理位置（country: PE）小于1的部分占比：0.5823324292909725
地理位置（country: PE）小于2的部分占比：0.8008523827973654

在这里插入图片描述

地理位置（country: AR）小于1的部分占比：0.45614035087719296
地理位置（country: AR）小于2的部分占比：0.7345029239766081

在这里插入图片描述

地理位置（country: CO）小于1的部分占比：0.5929791271347249
地理位置（country: CO）小于2的部分占比：0.8026565464895636

在这里插入图片描述

# 获取不同地理位置（geo）的唯一值列表
geo_list = df_replen_2['geo'].unique()

# 遍历每个地理位置（geo）
for geo in geo_list:
    # 获取特定地理位置（geo）的 lt_pu_pod 数据
    lt_pu_pod = df_replen_2[df_replen_2['geo'] == geo]['xgb_accuracy']
    
    # 绘制 lt_pu_pod 分布图
    plt.figure(figsize=(10, 6))
    plt.hist(lt_pu_pod, bins=30, density=True, alpha=0.7, color='b')

    # 将绝对值小于1的部分标记为粉红色
    plt.hist(lt_pu_pod[np.abs(lt_pu_pod) < 1], bins=30, density=True, alpha=0.7, color='pink')

    # 将绝对值小于2且大于等于1的部分标记为红色
    plt.hist(lt_pu_pod[(np.abs(lt_pu_pod) >= 1) & (np.abs(lt_pu_pod) < 2)], bins=30, density=True, alpha=0.7, color='red')
    
    # 设置标题和坐标轴标签
    plt.title(f'xgb_accuracy Distribution (geo: {geo})')
    plt.xlabel('xgb_accuracy')
    plt.ylabel('Probability Density')
    
    # 计算小于1的部分占比
    ratio_lt_1 = len(lt_pu_pod[np.abs(lt_pu_pod) < 1]) / len(lt_pu_pod)

    # 计算小于2的部分占比
    ratio_lt_2 = len(lt_pu_pod[(np.abs(lt_pu_pod) >= 1) & (np.abs(lt_pu_pod) < 2)]) / len(lt_pu_pod)
    
    # 打印小于1的部分占比和小于2的部分占比
    print(f'地理位置（geo: {geo}）小于1的部分占比：{ratio_lt_1}')
    print(f'地理位置（geo: {geo}）小于2的部分占比：{ratio_lt_2+ratio_lt_1}')
    
    # 显示图形
    plt.show()

地理位置（geo: LAS）小于1的部分占比：0.5485282418456643
地理位置（geo: LAS）小于2的部分占比：0.7645186953062848

在这里插入图片描述

地理位置（geo: AP）小于1的部分占比：0.7526357962213225
地理位置（geo: AP）小于2的部分占比：0.8919323549257759

在这里插入图片描述

地理位置（geo: EMEA）小于1的部分占比：0.7375867592098239
地理位置（geo: EMEA）小于2的部分占比：0.9040754582665955

在这里插入图片描述

地理位置（geo: NA）小于1的部分占比：0.5368736150526766
地理位置（geo: NA）小于2的部分占比：0.7902266454146095

在这里插入图片描述

# 获取不同地理位置（geo）的唯一值列表
geo_list = df_replen_2['geo'].unique()

# 遍历每个地理位置（geo）
for geo in geo_list:
    # 获取特定地理位置（geo）的 lt_pu_pod 数据
    lt_pu_pod = df_replen_2[df_replen_2['geo'] == geo]['lgb_accuracy']
    
    # 绘制 lt_pu_pod 分布图
    plt.figure(figsize=(10, 6))
    plt.hist(lt_pu_pod, bins=30, density=True, alpha=0.7, color='b')

    # 将绝对值小于1的部分标记为粉红色
    plt.hist(lt_pu_pod[np.abs(lt_pu_pod) < 1], bins=30, density=True, alpha=0.7, color='pink')

    # 将绝对值小于2且大于等于1的部分标记为红色
    plt.hist(lt_pu_pod[(np.abs(lt_pu_pod) >= 1) & (np.abs(lt_pu_pod) < 2)], bins=30, density=True, alpha=0.7, color='red')
    
    # 设置标题和坐标轴标签
    plt.title(f'lgb_accuracy Distribution (geo: {geo})')
    plt.xlabel('lgb_accuracy')
    plt.ylabel('Probability Density')
    
    # 计算小于1的部分占比
    ratio_lt_1 = len(lt_pu_pod[np.abs(lt_pu_pod) < 1]) / len(lt_pu_pod)

    # 计算小于2的部分占比
    ratio_lt_2 = len(lt_pu_pod[(np.abs(lt_pu_pod) >= 1) & (np.abs(lt_pu_pod) < 2)]) / len(lt_pu_pod)
    
    # 打印小于1的部分占比和小于2的部分占比
    print(f'地理位置（geo: {geo}）小于1的部分占比：{ratio_lt_1}')
    print(f'地理位置（geo: {geo}）小于2的部分占比：{ratio_lt_2+ratio_lt_1}')
    
    # 显示图形
    plt.show()

地理位置（geo: LAS）小于1的部分占比：0.22381331211880137
地理位置（geo: LAS）小于2的部分占比：0.45054362238133117

在这里插入图片描述

地理位置（geo: AP）小于1的部分占比：0.45124831309041835
地理位置（geo: AP）小于2的部分占比：0.7465418353576248

在这里插入图片描述

地理位置（geo: EMEA）小于1的部分占比：0.5302100017796761
地理位置（geo: EMEA）小于2的部分占比：0.8165153941982559

在这里插入图片描述

地理位置（geo: NA）小于1的部分占比：0.39419974342028535
地理位置（geo: NA）小于2的部分占比：0.647980406639972

在这里插入图片描述

地理位置（geo: Brazil）小于1的部分占比：0.0
地理位置（geo: Brazil）小于2的部分占比：1.0

在这里插入图片描述

# 按照geo分组绘制箱线图
plt.figure(figsize=(12, 8))
sns.boxplot(data=df_replen_2, x='geo', y='xgb_accuracy')
plt.xlabel('Geo')
plt.ylabel('xgb_accuracy')
plt.title('Boxplot of xgb_accuracy by Geo')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

在这里插入图片描述

group_mot_climate_pu_atd_lgb = df_replen_2.groupby(['geo','mot']).agg({'lgb_accuracy':['std','count','mean',lambda x:x.quantile(0.5),lambda x:x.quantile(0.9),lambda x:x.quantile(0.1)]}).reset_index()
group_mot_climate_pu_atd_lgb.columns = ['geo','mot','std','count','mean','quantile_5','quantile_9','quantile_1']
group_mot_climate_pu_atd_lgb
geomotstdcountmeanquantile_5quantile_9quantile_1
0APAIR2.34254137683-0.040538-0.4560052.381934-2.108590
1APSEA2.96570573660.021388-0.4265073.936324-3.207305
2APTRUCK0.9220562375-0.280426-0.3783880.641612-1.111371
3BrazilAIRNaN11.8692541.8692541.8692541.869254
group_mot_climate_pu_atd_xgb = df_replen_2.groupby(['geo','mot']).agg({'xgb_accuracy':['std','count','mean',lambda x:x.quantile(0.5),lambda x:x.quantile(0.9),lambda x:x.quantile(0.1)]}).reset_index()
group_mot_climate_pu_atd_xgb.columns = ['geo','mot','std','count','mean','quantile_5','quantile_9','quantile_1']
group_mot_climate_pu_atd_xgb
geomotstdcountmeanquantile_5quantile_9quantile_1
0APAIR1.578557376830.003911-0.0835481.231544-1.290093
1APSEA1.4425037366-0.0014730.0005321.020673-1.118309
2APTRUCK0.5991712375-0.006152-0.0855210.670907-0.483689
3BrazilAIRNaN10.8747650.8747650.8747650.874765
4EMEAAIR1.248103215570.002630-0.0477821.242728-1.269656
5EMEASEA1.3170359190.0735300.0043530.562636-0.495532
大米2H
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
论文研究-基于图模型的多边形自动并行构建算法.pdf
07-22
目前GIS基础算法并行化成为高性能GIS进一步深入的前提, 作为GIS空间分析基础算法的重点, 有必要对多边形构建提出一种自动并行算法。为此, 提出基于图模型的多边形自动并行构建算法。该算法根据图模型中有向闭合环的特点对一组线段的集合进行多边形构建, 能有效提高多边形构建的自动化程度。将搜索、排序等耗时较多的操作进行并行化处理, 能有效减少全局搜索次数及整体排序和逻辑操作时间。实验表明, 在对大规模线性数据生成区域时, 该算法能有效地实现效率提升, 达到良好的效果。
3d-photo-inpainting的训练模型
07-30
3d-photo-inpainting所使用的的训练模型，废了老鼻子劲耗时一天一夜才下载下来的。如果好用，请别忘记给个5星好评。
PBMDA：一种新颖有效的基于路径的miRNA-疾病关联预测计算模型
05-19
近年来，越来越多的研究表明，microRNA（miRNA）在许多基本和重要的生物学过程中起着至关重要的作用。 作为致病因素之一，从miRNA的角度来看，人类复杂疾病的分子机制仍未完全了解。 预测潜在的miRNA疾病关联对理解疾病的致病性，开发新药以及制定针对多种人类复杂疾病的个性化诊断和治疗做出了重要贡献。 不仅依赖于昂贵且耗时的生物学实验，计算预测模型还可以有效地预测潜在的miRNA-疾病关联，为研究的疾病确定候选miRNA的优先级，并进一步选择具有更高关联概率的miRNA。 实验验证。 在这项研究中，通过整合已知的人类miRNA-疾病关联，miRNA功能相似性，疾病语义相似性和高斯相互作用谱对miRNA和疾病的相似性，提出了基于路径的miRNA-疾病关联（PBMDA）预测模型。 该模型构建了一个由三个相互关联的子图组成的异构图，并进一步采用了深度优先搜索算法来推断潜在的miRNA-疾病关联。 结果，PBMDA在本地和全局LOOCV（AUC分别为0.8341和0.9169）和5倍交叉验证（平均AUC为0.9172）的框架中均获得了可靠的性能。 在对三种重要人类疾病的案例研究中，先前文献中的实验报告手动确认了前50位预测的miRNA的88％（食道肿瘤），88％（肾脏肾脏肿瘤）和90％（结肠肿瘤）。 通过案例研究中PBMDA与其他先前模型之间的比较性能，可靠的性能还表明PBMDA可以用作加速疾病-miRNA关联鉴定的强大计算工具。
基于预测单元尺寸的高效视频编码帧内预测模式快速选择的改进算法
01-26
为降低高效视频编码(HEVC)中帧内预测编码复杂度和编码耗时,提出一种基于预测单元(PUs)尺寸的HEVC帧内预测模式快速选择的改进算法。对最大尺寸PUs利用统计概率分层构建进入粗选择模式(RMD)过程的模式列表,对其他尺寸PUs分别采用两种不同方式提取纹理方向构建进入RMD过程的模式列表,其中对32×32、16×16尺寸PUs采用像素梯度提取纹理方向,对8×8、4×4采用像素值偏差提取纹理方向,从而减少进入RMD过程模式数量,有效降低编码时间。实验结果表明,本算法所用编码时间比测试模型HM16.9减少32.2%,而码率仅仅增加了0.86%。与现有优秀算法相比,本文算法进一步降低编码耗时,保证了编码质量。
基于python用于模型调整的可视化仪表板
08-30
基于python用于模型调整的可视化仪表板。在训练过程中，可以将标量、张量、图像、计算图、模型超参、训练耗时等数据记录到文件中，通过可视化页面进行查看及分析。
XGBoost、LightGBM、Catboost对比
XerCis的博客
02-19 5267
结论：比赛选LightGBM，工业选Catboost
3-5 机器学习进阶-GBDT、boosting工程化三兄弟XGBoost、lightGBM、catBoost
记录与分享AI资料与学习过程
01-23 620
XGBoost、GBDT、lightGBM、catBoost 1、XGBoost和GBDT有什么不同？ 2、XGBoost为什么可以并行训练？ 3、XGBoost防止过拟合的方法？ 4、XGBoost为什么这么快？ 5、LightGBM相比于XGBoost做了哪些改进？ 6、CatBoost有什么特点？
react 递归遍历四层树结构 遍历分支中的最后一个节点_终于有人把XGBoost 和 LightGBM 讲明白了，项目中最主流的集成算法！...
weixin_39986741的博客
11-18 495
转载自：Datawhale(ID：Datawhale)作者：阿泽本文9764字40图，建议阅读25分钟。本文为阿泽带你学决策树的第三篇，主要介绍基于Boosting框架的主流集成算法。本文是决策树的第三篇，主要介绍基于 Boosting 框架的主流集成算法，包括 XGBoost 和 LightGBM。送上完整的思维导图：XGBoostXGBoost 是大规模并行 boosting tre...
论文翻译之——《基于XGBoost的房价预测优化》-陶然
qq_38029916的博客
10-06 3489
摘要：客观来说，房价受到诸多因素的制约，正因如此，房价预测仍然是数据分析中一个非常经典且具有挑战性的问题.本文针对房价数据冗余，在实际场景中很难确定重要特征，提出了一种创新的数据预处理方式，并通过双模型迭代拟合的方式进行数据预测.首先从数据意义、数据形式和数据关联性三个方面进行初始数据预处理，然后根据数据选择适合的模型进行训练.在传统机器学习中，Random Forest和XGBoost是两种常用的方法.RF模型通过其Bagging 过程，能够准确地评判“冗余”特征，而XGB模型在提高预测效果的同时，也囿于
GBDT算法的升级--XGBoost与LightGBM算法
热衷于开源，热爱人工智能领域，时常分享机器学习，数据挖掘项目及方法，我们一起努力！
03-06 3717
本文同样不涉及公式推导及代码，对于GBDT算法的学习可以参考前面的文章 GBDT算法原理，这里不再讲述GBDT，只讲述XGBoost与LightGBM算法原理 参考文档：LightGBM官方文档(全英文) XGBoost官方文档(全英文) ...
7集成学习评分卡
weixin_34280060的博客
05-15 380
梯度提升最强大的特性之一是它适用于各种各样的损失函数。这意味着我们也可以设计自己的、更加适用于某一特定问题的损失函数来处理我们的数据集和任务的特定属性。某些情况下我们可能需要高召回率（更少的假阴性，在医学诊断中）或高精准率（更少的假阳性，例如，在垃圾邮件检测中），而不是高准确率。在许多此类场景中，通常需要自定义损失函数。
Python 中的分步机器学习
dc爱傲雪和技术
05-15 807
在此步骤中，我们将通过几种不同的方式查看数据：1 数据集的维度。2 查看数据本身。3 所有属性的统计摘要。4 按类变量对数据进行细分。
机器学习笔记 PostgresML教程：使用SQL进行机器学习
学以致用 知行合一
05-14 115
由于 PostgresML 本质上是一个数据库，因此您可以在任何支持 Postgres 的环境中（基本上在任何地方）与其进行交互。它引入了一种称为“数据库内”机器学习的新范式，允许您在 SQL 中执行许多 ML 任务，而无需在每个步骤中使用单独的工具。由于今天的数据库比机器学习模型大好多个数量级，所以PostgresML的思路是，如果我们将模型引入数据集不是会容易得多吗？不过天下没有免费的午餐，需要一路注册、安装该数据库，然后举个例子，可以使用 Kaggle 的Diamonds 数据集创建一个表。
GAN实例基于神经网络
JamesSwifte的博客
05-16 338
需要了解GAN的原理查看。采用手写数字识别数据集。
「AIGC算法」近邻算法原理详解
AIGC大前端小王子
05-15 743
本文主要介绍近邻算法原理及实践demo
【机器学习：IT行业的现在与未来】技术应用与趋势探索
Allen-
05-15 860
回望机器学习的今日之旅，我们见证了算法的飞跃、基础设施的革新，以及伦理与安全意识的觉醒。展望未来，机器学习将沿着可解释性增强、边缘计算、量子计算等方向迈进，持续深化其在医疗、制造、环保等领域的应用，开启智能化的新纪元。这是一场关于智慧与责任并重的旅程，要求我们在追求技术突破的同时，不忘初心，坚持人本主义价值观，确保技术进步惠及全人类。机器学习的故事，是技术与人文交响的乐章，它提醒我们，未来的辉煌不仅在于智能的高度，更在于我们如何智慧地使用这份力量，共同绘制一个更加公正、繁荣、可持续的世界蓝图。
java+jsp+sql server 医院住院管理系统论文（二）
如有问题请私信联系
05-14 1106
系统的需求分析和可行性研究 3.1 功能需求 经过对本系统的研究分析，本系统主要是为了方便让医院更快捷的管理。所面向的对象主要有病人、医生和医院的管理人员。病人运用该系统后，可以根据该系统查看自己所需要的信息，包括治疗自己病症的医生的信息、病床信息、收费信息等。医生运用该系统后，可以根据该系统查看自己病人的信息。而医院管理人员通过该系统可以查看病床利用率和收费明细的情况。[3] 根据面向对象的需求的不同，可以分析出本系统需要的主要功能有：登录、医生信息管理、病人信息管理、收费信息管理、病床信息管理、统计分
使用Python操作excel单元格——在单元格中插入公式
xll_007的博客
05-16 398
使用Python操作excel单元格——在单元格中插入公式。 通过使用Python的openpyxl库，来操作excel单元格，在单元格中插入公式的操作。把学习的过程分享给大家。大佬勿喷！
geopandas快速入门报错1
最新发布
weixin_45213317的博客
05-19 195
报错：CRSError: Invalid projection: EPSG:4326: (Internal Proj Error: proj_create: no database context specified)解决方法：重新下载适合自己Python版本的pyproj安装。
xgboost回归预测模型 调参
08-26
调参是优化模型性能的重要步骤之一，对于XGBoost回归预测模型来说，常见的调参方法包括以下几个方面： 1. 学习率（learning rate）：学习率决定了每次迭代时参数更新的步长，较小的学习率可以使模型更加稳定，但会...

“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
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