![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习问题
文章平均质量分 87
分析讨论一下机器学习常见的问题
云天徽上
机器学习爱好者
展开
-
NumPy中的split方法:深入理解与实际应用
其中,split方法作为NumPy中处理多维数组的重要工具之一,对于数据的拆分和重组有着广泛的应用。在结束本文之前,需要强调的是,尽管split方法在处理数据时非常有用,但在实际项目中,我们还需要结合其他数据处理和分析工具和技术,如Pandas、Matplotlib等,以形成完整的数据处理和分析流程。因此,建议读者在掌握NumPy的split方法的同时,也关注其他相关工具和技术的学习和应用。然后,我们使用split方法将样本拆分为训练集和测试集,其中训练集包含80%的样本,测试集包含剩下的20%。原创 2024-04-24 14:42:03 · 1086 阅读 · 22 评论 -
贝叶斯优化(Bayesian Optimization)介绍和python实现
贝叶斯优化的具体实现原创 2024-03-09 20:54:16 · 6164 阅读 · 1 评论 -
通俗易懂的了解XGBoost算法(python案列实现)
xgboost的简单实现原创 2024-03-11 14:27:31 · 724 阅读 · 0 评论 -
【Apriori关联规则】python数据挖掘
关联规则的介绍和python实现原创 2024-03-12 17:06:24 · 1191 阅读 · 2 评论 -
Xgboost、lightGBM和Catboost之间的异同
Level-wise增长可以同时分裂同一层的叶子节点,容易进行多线程优化,且过拟合的风险较小。然而,Level-wise增长也存在一些缺陷,例如对待同一层的叶子节点不加以区分,会带来一些不必要的开销。在CatBoost中,可以将所有列都视为数值变量处理,或者通过设置特定参数来处理分类变量。总结来说,XGBoost、LightGBM和CatBoost在树的特征和对类别型变量的处理上有一些差异。在使用XGBoost时,需要对分类数据进行编码,例如标签编码、均值编码或独热编码等方式,将其转换为数值形式。原创 2024-03-11 15:24:10 · 950 阅读 · 0 评论