- 博客(4)
- 资源 (4)
- 收藏
- 关注
转载 【集成学习】scikit-learn随机森林调参小结
原文:http://www.cnblogs.com/pinard/p/6160412.html在Bagging与随机森林算法原理小结中,我们对随机森林(Random Forest, 以下简称RF)的原理做了总结。本文就从实践的角度对RF做一个总结。重点讲述scikit-learn中RF的调参注意事项,以及和GBDT调参的异同点。1. scikit-learn随机森林类库概述
2017-01-19 17:34:54 26469 1
转载 【集成学习】Bagging与随机森林算法原理小结
原文地址:http://www.cnblogs.com/pinard/p/6156009.html在集成学习原理小结中,我们讲到了集成学习有两个流派,一个是boosting派系,它的特点是各个弱学习器之间有依赖关系。另一种是bagging流派,它的特点是各个弱学习器之间没有依赖关系,可以并行拟合。本文就对集成学习中Bagging与随机森林算法做一个总结。 随机森林
2017-01-19 15:20:07 6458
转载 【集成学习】scikit-learn Adaboost类库使用小结
转自http://www.cnblogs.com/pinard/p/6136914.html在集成学习之Adaboost算法原理小结中,我们对Adaboost的算法原理做了一个总结。这里我们就从实用的角度对scikit-learn中Adaboost类库的使用做一个小结,重点对调参的注意事项做一个总结。1. Adaboost类库概述 scikit-learn
2017-01-09 16:11:09 16121 3
原创 精确率(准确率、查准率、precision)、召回率(查全率、recall)、RoC曲线、AUC面积、PR曲线
1. TP, FP, TN, FNTrue Positives,TP:预测为正样本,实际也为正样本的特征数False Positives,FP:预测为正样本,实际为负样本的特征数True Negatives,TN:预测为负样本,实际也为负样本的特征数False Negatives,FN:预测为负样本,实际为正样本的特征真实情况预测结果
2017-01-03 22:45:01 18132
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人