啧啧怪的博客

目录思路理解一、案例资料1、背景介绍2、数据信息3、评价指标二、第三方包准备三、数据导入及预处理1、数据导入2、数据预处理2.1、异常值处理2.2、数据増广四、特征建模1、选择263维原始特征进行建模1.1、lightGBM1.2、xgboost1.3、RandomForestRegressor随机森林1.4、GradientBoostingRegressor梯度提升决策树1.5、ExtraTreesRegressor 极端随机森林回归1.6、集成建模-stack22、选择49维重要特征进行建模2.1、li

目录心得体会一、思维导图1、数学基础2、回归问题3、分类问题4、集成学习5、Bagging6、Boosting7、Stacking二、辨析集成学习三种模型心得体会参加了开源学习组织datawhale的组队学习，圆满完成集成学习的任务，也带领组员一起坚持了下来，真正领略到机器学习的魅力，写这篇csdn总结一下我所学到的知识，以便后续巩固学习。在这里谈一下我的感悟：在集成学习的学习中，第一次实践了相关的完整案例，解决给出的实际问题，带入到情景中处理数据，利用集成学习的模型与方法得出预测的相关结论。一

day08-集成学习案例（幸福感预测、蒸汽量预测）目录day08-集成学习案例（幸福感预测、蒸汽量预测）心得体会思路理解案例一（幸福感预测）：案例二（蒸汽量预测）：心得体会开源学习组织datawhale的组队学习第八天，学习了两个集成学习的案例，体会到对数据的处理与认知才是最重要的，整理了案例思路理解，复现了结果。在这里感谢datawhale开源社区的小伙伴们给予的学习帮助，今后的学习也要一样加油呀提示：以下是本篇文章正文内容，下面案例以及设计到的知识点均为datawhale开源组织提供思

day7-Stacking（相关案例代码理解分享）目录day7-Stacking（相关案例代码理解分享）心得体会前言一、Blending集成学习算法1、算法原理2、相关案例二、Stacking集成学习算法总结心得体会开源学习组织datawhale的组队学习第二天，学习了集成学习方法的最后一个成员–Stacking，我们可以对三个GBDT模型进行Stacking融合，那么每个GBDT模型都可以看做一个基模型，这样的话，这三个GBDT模型可以标识为mode1、mode2、mode3，利用五折的方法，

day6-Boosting目录day6-Boosting心得体会前言一、Boosting方法的基本思路二、Adaboost算法1、Adaboost基本原理2、使用sklearn对Adaboost算法进行建模：三、前向分步算法四、梯度提升决策树(GBDT)1、基本原理2、使用sklearn来使用GBDT五、XGBoost算法1、基本原理2、XGBoost系统讲解3、XGBoost代码示例（1）分类案例（2）回归案例（3）XGBoost调参（结合sklearn网格搜索）六、LightGBM算法1、简介2、Li

day5-投票法与Bagging（相关案例代码理解分享）目录day5-投票法与Bagging（相关案例代码理解分享）心得体会前言一、投票法1、投票法的原理2、投票法的案例分析2.1 基础2.2 完整示例二、bagging1、bagging的原理2、bagging的应用3、案例分析三、作业（1）什么是bootstraps（2）bootstraps与bagging的联系（3）什么是bagging（4）随机森林与bagging的联系与区别（5）使用偏差与方差理论阐述为什么bagging能提升模型的预测精度（6）

day4-分类问题（相关案例代码理解分享）https://blog.csdn.net/Codewith_jing/article/details/118927246目录day4-分类问题（相关案例代码理解分享）心得体会前言一、回归、分类、无监督学习1.引入相关科学计算包2. 回归连续型变量问题2.1 导入并查看数据集2.2 画散点图三、作业（1）请详细阐述线性回归模型得最小二乘法表达（2）在线性回归模型中，极大似然估计与最小二乘估计有什么联系与区别吗（3）为什么多项式回归在实际问题中的表现经常不是很好总

day3-偏差和方差理论（相关案例代码理解分享）目录day3-偏差和方差理论（相关案例代码理解分享）心得体会前言一、优化基础模型1、训练均方误差与测试均方误差：2、偏差-方差的权衡：3、特征提取：==1、训练误差修正：====2、交叉验证：====最优子集选择：====向前逐步选择：==4、压缩估计(正则化)：==岭回归(L2正则化的例子)：====Lasso回归(L1正则化的例子)：==5、降维：==主成分分析(PCA)：==6、案例==（1） 特征提取的实例：向前逐步回归====（2）岭回归实例分享=

机器学习的数学基础（相关案例代码理解分享）目录：day1-机器学习的数学基础（相关案例代码理解分享）day2-机器学习基础模型回顾day3-集成学习之投票法与baggingday4-集成学习之boostingday5-集成学习之blending与stackingday6-集成学习之案例分享文章目录机器学习的数学基础（相关案例代码理解分享）摘要一、梯度下降法1.概念简介2.代码示例二、牛顿迭代法1.概念简介2.代码示例三、pi的估计问题1.问题阐述2.代码示例四、电子元件寿命问题1.问题阐述

CH1-机器学习的数学基础目录：CH1-机器学习的数学基础CH2-机器学习基础模型回顾CH3-集成学习之投票法与baggingCH4-集成学习之boostingCH5-集成学习之blending与stackingCH6-集成学习之案例分享文章目录CH1-机器学习的数学基础摘要一、梯度下降法1.概念简介2.代码示例二、牛顿迭代法1.概念简介2.代码示例三、pi的估计问题1.问题阐述2.代码示例四、电子元件寿命问题1.问题阐述2.代码示例五、三门问题1.问题阐述2.代码示例总结摘要