机器学习
文章平均质量分 52
山林里的迷路人
热爱Python,对大数据和机器学习相关内容感兴趣
展开
-
机器学习——建筑能源得分预测
机器学习实战项目——建筑能源得分预测原创 2022-06-01 23:39:39 · 1352 阅读 · 2 评论 -
机器学习——用户流失预警
文章目录前言一、 数据清洗与格式转换二、 探索性数据分析前言客户流失预警提示:以下是本篇文章正文内容,下面案例可供参考一、 数据清洗与格式转换import warningswarnings.filterwarnings('ignore') #忽视import pandas as pdimport numpy as np# 加载数据集churn_df = pd.read_csv('churn.csv')col_names = churn_df.columns.tolist() #所原创 2022-05-22 23:05:55 · 792 阅读 · 0 评论 -
机器学习——SVM线性分类原理及代码应用
支持向量机线性分类原理及异常值检测应用方法原创 2022-05-21 22:46:41 · 4719 阅读 · 0 评论 -
机器学习——时间序列分析(三)
时间序列的趋势性,周期性以及随机性查看原创 2022-04-11 08:00:00 · 247 阅读 · 0 评论 -
机器学习——时间序列(二)
在使用时间序列模型进行预测时,首先需要判断数据是否有异常值,数据是否符合随机性,检查平稳性与周期性,本文对于这写方法给与了代码示例原创 2022-04-10 20:44:59 · 1625 阅读 · 1 评论 -
机器学习——K近邻算法
机器学习系列文章目录机器学习——XGBoost算法介绍及代码实现机器学习——时间序列分析机器学习——模型融合文章目录机器学习系列文章目录前言一、KNN算法原理二、K-Nearest Neighbors算法特点2.工作原理3.K值得选择4.代码实现前言K近邻算法的介绍以及代码实现过程一、KNN算法原理二、K-Nearest Neighbors算法特点优点:精度高对异常值不敏感无数据输入假定缺点计算复杂度高空间复杂度高适用数据范围数值型和标称型2.工作原理原创 2022-04-08 12:01:34 · 1169 阅读 · 0 评论 -
机器学习——时间序列分析
机器学习——时间序列分析使用两种方式进行预测统计学方法:ARIMA模型深度学习:MLP,LSTM,GRU本文将使用ARIMA模型进行时间序列问题的预测,后续会出深度学习的方法。时序分析流程代码及流程待补充...原创 2022-04-02 23:20:00 · 1454 阅读 · 0 评论 -
数据建模——模型融合
数据建模——模型融合在建模预测过程中,使用单模型的得到的预测准确率及auc值可能不是很高,这时候我们可以使用模型融合的办法,将多个模型进行融合,从而提升模型效果,本篇使用的方法为投票法策略。除此之外,模型融合的办法还有平均法以及学习法/Stacking一、软投票与硬投票软投票:用各自分类器的概率值进行加权平均硬投票:使用预测分类概率高的,少数服从多数二、使用步骤1.软投票代码如下(示例):from sklearn.ensemble import RandomForestClassifi原创 2022-04-02 22:51:50 · 1148 阅读 · 0 评论 -
XGBoost算法介绍及代码实现
XGBoost算法介绍以及代码实现原创 2022-03-08 23:56:34 · 2772 阅读 · 0 评论 -
机器学习-XGBoost算法
1、集成算法中主要分为bagging算法与boosting算法BaggingBoosting随机有放回的取样每一轮训练的样本是固定的,改变的是买个样的权重均匀取样,每个样本的权重相同根据错误率调整样本权重,错误率越大的样本权重会变大预测函数权值相同误差越小的预测函数其权值越大各个预测函数可以并行生成各个预测函数必须按照顺序迭代生成2、为什么XGBoot算法这么流行运行速度快且效率及准确率较高使用并行化计算比其他算法强可调节的参数多3、部分参原创 2021-08-15 22:51:00 · 477 阅读 · 1 评论