- 博客(7)
- 收藏
- 关注
原创 【无标题】
快来一起挖掘幸福感 赛前预览 首先我们看一下比赛的大致要求和数据提供 这次比赛大概是通过问卷中的问题来获取一些人的个人情况等,从中提取重要因素用来判断幸福感。 数据可视化 import pandas as pd import matplotlib.pyplot as plt #显示所有列 pd.set_option('display.max_columns', None) #显示所有行 pd.set_option('display.max_rows', None) 1 2 3 4 5 6 comple
2022-03-31 20:58:44
82
原创 【无标题】
LightGBM介绍 LightGBM是2017年由微软推出的可扩展机器学习系统,是微软旗下DMKT的一个开源项目,由2014年首届阿里巴巴大数据竞赛获胜者之一柯国霖老师带领开发。它是一款基于GBDT(梯度提升决策树)算法的分布式梯度提升框架,为了满足缩短模型计算时间的需求,LightGBM的设计思路主要集中在减小数据对内存与计算性能的使用,以及减少多机器并行计算时的通讯代价。 LightGBM可以看作是XGBoost的升级豪华版,在获得与XGBoost近似精度的同时,又提供了更快的训练速度与更少的内存消
2022-03-31 20:56:12
94
原创 【无标题】
XGBoost介绍 算法流程 基于天气数据集的XGBoost分类实战 **Step5:对离散变量进行编码** **一种最简单的方法是把所有的相同类别的特征编码成同一个值。** **One-Hot编码** **Step6: 利用 XGBoost 进行训练与预测** **Step7: 利用 XGBoost 进行特征选择** **Step8: 通过调整参数获得更好的效果** XGBoost的重要参数 XGBoost原理 思考 XGBoost介绍 XGBoost是2016年由华盛顿大学陈天奇老师带领开发的一个可扩展
2022-03-31 20:52:57
72
原创 【无标题】
逻辑回归介绍 逻辑回归(Logistic regression,简称LR)虽然其中带有"回归"两个字,但逻辑回归其实是一个分类模型,主要用于两分类问题(即输出只有两种,分别代表两个类别)。 回归模型中,y是一个定性变量,比如y=0或1,logistic方法主要应用于研究某些事件发生的概率。 优点: ● 速度快,适合二分类问题 ● 简单易于理解,直接看到各个特征的权重 ● 能容易地更新模型吸收新的数据 缺点: ● 对数据和场景的适应能力有局限性,不如决策树算法适应性那么强 ● 容易欠拟合,分类精度可能不高
2022-03-31 20:43:10
53
原创 阿里天池python训练营task3
一、函数 1. 函数的定义 还记得 Python 里面“万物皆对象”么?Python 把函数也当成对象,可以从另一个函数中返回出来而去构建高阶函数,比如: 参数是函数、返回值是函数。 我们首先来介绍函数的定义。 函数以def关键词开头,后接函数名和圆括号()。 函数执行的代码以冒号起始,并且缩进。 return [表达式] 结束函数,选择性地返回一个值给调用方。不带表达式的return相当于返回None。 def functionname (parameters): "函数_文档字符串" ...
2022-03-24 13:40:16
120
原创 阿里天池python训练营task2
目录 一、列表 1.列表的定义 2.列表的创建 3.向列表中添加元素 4.删除列表中的元素 5.获取列表中的元素 6. 列表的常用操作符 7. 列表的其它方法 二、元组 1. 创建和访问一个元组 2.更新和删除一个元组 3.元组相关的操作符 4.内置方法 5.解压元组 三、字符串 1.字符串的定义 2.字符串的切片与拼接 3. 字符串的常用内置方法 4.字符串格式化 四、字典 1.可变类型与不可变类型 2.字典的意义 3. 创建和访问字典 4.字典
2022-03-24 13:29:58
169
原创 阿里天池Python训练营task1
变量、运算符与数据类型 变量 Python是强类型语言,Python很少会隐式地转换变量的类型。 强类型:不允许不同类型相加。例如:整形+字符串会报类型错误。 1. 变量命名 变量名只能是字母,数字,下划线的组合,注意不能用数字开头 变量名不能含有特殊符号,不能使用关键字(保留字) 大小写敏感,不能混用 2. 使用变量前,需要赋值 在python中,我们对变量进行赋值的时候,用的是一个等于符号(=),要注意不是两个(==)。 3. 全局变量与局部变量 全局变量是定义在外面的变量 局部变量就是定义在一个函
2022-03-24 12:58:07
79
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人