phyllisyuell的博客

Python是一种解释型，面向对象，动态数据类型的高级程序设计语言,学习和使用十分简单，是大数据分析和机器学习的必备语言，本文简单介绍了下Python的环境配置，下载安装以及常用的IDE:PyCharm,最后推荐了一款Python学习利器——Anaconda，希望对您有所帮助！

一、何为机器学习？机器学习最近那么火，博主自学习以来，也看过不少有关机器学习的资料，首先对于机器学习的定义就又五花八门，什么让机器像人一样去学习，说的总感觉有些浮夸而不现实，把机器学习搞的也太神秘了，有幸看了吴恩达的课程，最喜欢课程里吴恩达引用的卡内基梅隆大学，Tom Michael Mitchell 1997年对机器学习下的定义:A computer program is said to lea...

前段时间一直在搞xgboost，测试数据集准确率达到了：98.14%左右，调参达到了瓶颈，感觉准确率无法提升了，老师给推荐了gcForest，下载了源码，用默认的参数跑了下，测试数据准确率能达到98.6%左右。然后拜读了下周老师的论文，感觉他的算法在原来集成学习的基础上做了很大的改善，吸取了很多深度学习的东西。附上gcForest简介的链接，感兴趣的了解下：https://mp.weixin.qq...

前面的博客里有提到决策树，我们也了解了决策树的构建过程，如果可以可视化决策树，把决策树打印出来，对我们理解决策树的构建会有很大的帮助。这篇文章中，我们就来看下如何可视化输出一棵决策树。一、安装相应的插件我们需要安装Graphviz和pygraphviz，教程，这个教程里有详细的安装过程，这里就不赘述了。二、运行实例我们依然以iris数据集为例，打印输出决策树看下效果。#coding=utf-8i...

熟悉xgboost的小伙伴都知道，它在训练模型时，有train（）方法和fit（）方法，train方法使用如下：params ={'eta': 0.1, 'max_depth': 4, 'num_boost_round':20, 'objective': 'reg:logistic', 'random_state': ...

一、问题上篇文章中我们已经搞明白了逻辑回归的问题中，xgboost的train（）,fit（）方法已经不同参数的objective的对应的输出结果和关系，这篇文章我们就来研究下xgboost再做多分类时，train(),fit（）建模后输出的值是怎么样的，它都有那些objective的参数，并且分别对应着怎样的输出？二、objective参数比较xgboost的官方文档关于多分类的objectiv...

 楼主前面有一篇博客提到了周志华老师又一力作：gcForest：探索深度神经网络以外的方法，不了解的小伙伴可以翻前面的博客。这个算法的确比传统的集成树算法：RandomForest,XGBoost,lightGBM都要优秀，而且引入层的概念后很好的解决了集成树算法容易过拟合的问题。简单讲他就是借鉴了深度学习分层训练的思路，将机器学习中常用的RandomForest,XGBoost,Lo...