Python调参
文章平均质量分 98
weixin_50304531
这个作者很懒,什么都没留下…
展开
-
K-means 案例代码实现(Python)
K-means代码实现原创 2023-04-24 09:20:03 · 3824 阅读 · 3 评论 -
随机森林调参 - python
由于采用了集成算法,本身精度比大多数单个算法要好,所以准确性高。在测试集上表现良好,由于两个随机性的引入,使得随机森林不容易陷入过拟合(样本随机,特征随机)。在工业上,由于两个随机性的引入,使得随机森林具有一定的抗噪声能力,对比其他算法具有一定优势。由于树的组合,使得随机森林可以处理非线性数据,本身属于非线性分类(拟合)模型。它能够处理很高维度(feature很多)的数据,并且不用做特征选择,对数据集的适应能力强:既能处理离散型数据,也能处理连续型数据,数据集无需规范化。原创 2021-03-04 17:49:54 · 4171 阅读 · 3 评论 -
LightGBM 调参
文章目录一、LightGBM简介二、LightGBM原理2.1 直方图算法2.2 LightGBM的直方图做差加速2.3 带深度限制的Leaf-wise的叶子生长策略3.4 直接支持类别特征(即不需要做one-hot编码)3.5 直接支持高效并行三、梯度提升的方法3.1 梯度提升决策树(GBDT)3.2 DART 梯度提升3.3 lgbm goss 基于梯度的单边采样四、参数解释五、调参步骤5.1 原生实例5.2 sklearn接口实例一、LightGBM简介 LightGBM是一个梯度Boost原创 2020-12-08 18:00:40 · 2119 阅读 · 0 评论 -
XGBoost python调参
1. 简介如果你的预测模型表现得有些不尽如人意,那就用XGBoost吧。XGBoost算法现在已经成为很多数据工程师的重要武器。它是一种十分精致的算法,可以处理各种不规则的数据。构造一个使用XGBoost的模型十分简单。但是,提高这个模型的表现就有些困难(至少我觉得十分纠结)。这个算法使用了好几个参数。所以为了提高模型的表现,参数的调整十分必要。在解决实际问题的时候,有些问题是很难回答的——你需要调整哪些参数?这些参数要调到什么值,才能达到理想的输出?这篇文章最适合刚刚接触XGBoost的人阅读。在这原创 2020-11-10 17:29:21 · 2641 阅读 · 0 评论 -
Python 决策树调参
系列文章目录https://www.jianshu.com/p/1f20e2362676https://blog.csdn.net/linzhjbtx/article/details/85722187https://www.cnblogs.com/chenyaling/p/7236435.htmlhttps://bluebird.blog.csdn.net/article/details/98595483文章目录系列文章目录决策树简介一、参数二、常用函数三、模型调参注意事项总结决策树简介原创 2020-11-16 11:13:34 · 1947 阅读 · 0 评论 -
Python sklearn逻辑回归(Logistic Regression,LR)参数
https://blog.csdn.net/sun_shengyun/article/details/53811483Sklearn库中Logistic Regression函数各个参数文章目录前言参数前言 在scikit-learn中,与逻辑回归有关的主要是这3个类。LogisticRegression, LogisticRegressionCV 和logistic_regression_path。其中LogisticRegression和LogisticRegressionCV的主要区别原创 2020-11-16 14:57:15 · 16341 阅读 · 2 评论