![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 97
jo~jo
这个作者很懒,什么都没留下…
展开
-
kaggle员工离职预测案例(3)
目录传送门背景三级目录传送门案例背景及数据分析处理过程请看《kaggle员工离职预测案例(1)》建模处理过程请看《kaggle员工离职预测案例(2)》背景一切的一切,因为这篇文章《机器学习模型评估教程!》三级目录from sklearn.metrics import roc_curvefrom sklearn import metricsimport matplotlib as mpl#随机森林模型RandomizedSearchCV调参rf_best_params={'n_esti原创 2021-04-21 11:55:48 · 2341 阅读 · 0 评论 -
kaggle员工离职预测案例(2)
目录背景建模逻辑回归(LogisticRegression)未进行重采样数据下的结果:降采数据下的结果:过采数据下的结果:confusion_matrix图形的解读:**总结:**决策树分类(DecisionTreeClassifier)默认参数:降采数据下的结果:过采数据下的结果:未进行重采样数据下的结果:寻找最优参数:降采数据下的结果:**总结:**随机森林分类(RandomForestClassifier)降采数据下的结果:过采数据下的结果:未进行重采样数据下的结果:**总结:**背景案例背景及数原创 2021-04-20 17:01:52 · 3286 阅读 · 7 评论 -
kaggle员工离职预测案例(1)
目录背景数据来源Do It !数据展示:数据分析:数据处理:step 1:对数据进行归一化处理。step 2: 对文本型变量进行One-Hot编码处理step 3.1: 降采样step 3.2 过采样训练集、测试集划分:1. 降采后的数据2.过采后的数据背景朋友圈无意中看到了老师分享的一篇关于模型评估的文章《机器学习模型评估教程!》,文章对建模后的模型评估进行了深入浅出的评估思路梳理和解读。文章的重点在于模型评估部分,数据梳理和建模部分较为基础故省略不谈。作为一名机器学习的初学者,这简直是一次绝佳的案原创 2021-04-19 16:46:43 · 6284 阅读 · 2 评论