- 博客(5)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 模型融合
一、Stackingstacking 将若干基学习器获得的预测结果，将预测结果作为新的训练集来训练一个学习器。如下图 假设有五个基学习器，(注，这里的5个基学习器已经训练好) ， 将原始数据（设特征维度N）输入到五基学习器中，并得到预测结果输入到模型六中。注意：由下面图可以看出，模型六的输入是5个基模型的预测结果stackIng。也即，模型六的输入特征维度为5。 N理论应该大于5. 这里类似于CNN的迁移学习过程，固定已训练好模型的的特征提取网络参数，然后训练最后的全连接层（Linear）。这里，这种
2020-09-27 22:58:13
401
转载 LightGBM
今天在学习的时候由Datawhale 推荐一篇LightGBM的模型介绍博客写得非常棒。加之我今天的笔记也没有更好的内容来记录，所以就索性转载一波优秀的博客！！声明： 本文内容转载自白话机器学习算法理论+实战番外篇之LightGBMLightGBM， 2017年由微软提出，是GBDT模型的另一个进化版本， 主要用于解决GBDT在海量数据中遇到的问题，以便更好更快的用于工业实践中。从 LightGBM 名字我们可以看出其是轻量级（Light）的梯度提升机器（GBM）， 所以面对大规模数据集，它依然非常淡定
2020-09-25 22:04:37
265
翻译 金融风控_03_特征工程
Datawhalechina-team-learning-data-mining本文摘录自特征工程，是机器学习，甚至是深度学习中最为重要的一部分，在实际应用中往往也是所花费时间最多的一步，所以无论如何要深入理解和学习。特征工程涉及到下面的内容：1、数据预处理 1.1 缺失值的填充 -->用0，即特征对于结果没有作用。 -->特征前（后）面的值替换, 利用特征的已出现的值进行替换，而不是一个毫无意义的值。 1.2 时间格式处理 1.2.1 把 1
2020-09-21 23:01:43
111
原创 金融风控_02_数据分析
第二天打卡：关于pd.read_csv(root_dir, nrows =5, chunk_size = 5 )#设置chunksize参数，来控制每次迭代数据的大小chunker = pd.read_csv("./train.csv",chunksize=5)for item in chunker: print(type(item)) #<class 'pandas.core.frame.DataFrame'> print(len(item))这里关于nro
2020-09-18 19:13:46
151
原创 金融风控--task01_赛题理解
Oh My God, 这是第4次参加Datawhale 组织的开源学习了，很感激。组织二维码如下，如果有兴趣的朋友可以添加关注公众号！这一次打以这种比赛的方式进行学习，很期待！话不多说，进入主题！！！！1、赛题数据理解。1.1 要求，以个人信贷为背景，根据背景信息预测其是否有违约的可能。典型的分类任务，且输出违约的可能性。1.2 评价标准：提交结果为每个样本是1的概率。评价方法为AUC评估（越大越好）。AUC(Area Under Curve) AUC（Area Under Curve）被
2020-09-15 12:18:40
310
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人