集成学习
文章平均质量分 93
ArriettyYun
这个作者很懒,什么都没留下…
展开
-
(十五)集成学习(下)——蒸汽量预测
参考:DataWhale教程链接集成学习(上)所有Task:(一)集成学习上——机器学习三大任务(二)集成学习上——回归模型(三)集成学习上——偏差与方差(四)集成学习上——回归模型评估与超参数调优(五)集成学习上——分类模型(六)集成学习上——分类模型评估与超参数调优(七)集成学习中——投票法(八)集成学习中——bagging(九)集成学习中——Boosting简介&AdaBoost(十)集成学习中——GBDT(十一)集成学习中——XgBoost、LightGBM(十二)原创 2021-05-23 20:49:33 · 451 阅读 · 2 评论 -
(十四)集成学习(下)——幸福感预测
参考:DataWhale教程链接集成学习(上)所有Task:(一)集成学习上——机器学习三大任务(二)集成学习上——回归模型(三)集成学习上——偏差与方差(四)集成学习上——回归模型评估与超参数调优(五)集成学习上——分类模型(六)集成学习上——分类模型评估与超参数调优(七)集成学习中——投票法(八)集成学习中——bagging(九)集成学习中——Boosting简介&AdaBoost(十)集成学习中——GBDT(十一)集成学习中——XgBoost、LightGBM(十二)原创 2021-05-19 00:27:42 · 1100 阅读 · 0 评论 -
(十三)集成学习(下)——Stacking
参考:DataWhale教程链接集成学习(上)所有Task:(一)集成学习上——机器学习三大任务(二)集成学习上——回归模型(三)集成学习上——偏差与方差(四)集成学习上——回归模型评估与超参数调优(五)集成学习上——分类模型(六)集成学习上——分类模型评估与超参数调优(七)集成学习中——投票法(八)集成学习中——bagging(九)集成学习中——Boosting简介&AdaBoost(十)集成学习中——GBDT(十一)集成学习中——XgBoost、LightGBM(十二)原创 2021-05-13 23:53:09 · 1923 阅读 · 0 评论 -
(十二)集成学习(下)——Blending
参考:DataWhale教程链接集成学习(上)所有Task:(一)集成学习上——机器学习三大任务(二)集成学习上——回归模型(三)集成学习上——偏差与方差(四)集成学习上——回归模型评估与超参数调优(五)集成学习上——分类模型(六)集成学习上——分类模型评估与超参数调优(七)集成学习中——投票法(八)集成学习中——bagging(九)集成学习中——Boosting简介&AdaBoost(十)集成学习中——GBDT(十一)集成学习中——XgBoost、LightGBM(十二)原创 2021-05-12 01:05:41 · 437 阅读 · 3 评论 -
(十一)集成学习中——XgBoost、LightGBM
参考:DataWhale教程链接集成学习(上)所有Task:(一)集成学习上——机器学习三大任务(二)集成学习上——回归模型(三)集成学习上——偏差与方差(四)集成学习上——回归模型评估与超参数调优(五)集成学习上——分类模型(六)集成学习上——分类模型评估与超参数调优(七)集成学习中——投票法(八)集成学习中——bagging(九)集成学习中——Boosting简介&AdaBoost(十)集成学习中——GBDT(十一)集成学习中——XgBoost、LightGBM文章目录原创 2021-04-27 01:34:07 · 371 阅读 · 0 评论 -
(十)集成学习中——GBDT
参考:DataWhale教程链接集成学习(上)所有Task:(一)集成学习上——机器学习三大任务(二)集成学习上——回归模型(三)集成学习上——偏差与方差(四)集成学习上——回归模型评估与超参数调优(五)集成学习上——分类模型(六)集成学习上——分类模型评估与超参数调优(七)集成学习中——投票法(八)集成学习中——bagging(九)集成学习中——Boosting简介&AdaBoost(十)集成学习中——GBDT(十一)集成学习中——XgBoost、LightGBM...原创 2021-04-21 15:25:40 · 333 阅读 · 0 评论 -
(九)集成学习中——Boosting简介&AdaBoost
参考:DataWhale教程链接集成学习(上)所有Task:原创 2021-04-20 21:06:32 · 589 阅读 · 0 评论 -
(八)集成学习中——bagging
集成学习第二法宝:bagging!原创 2021-04-14 21:50:41 · 1097 阅读 · 0 评论 -
(七)集成学习中-投票法Voting
集成学习第一法宝:投票!原创 2021-04-14 18:58:32 · 5769 阅读 · 1 评论 -
(六)集成学习上——分类模型评估与超参数调优
分类模型评估与超参数调优原创 2021-03-28 15:53:54 · 372 阅读 · 0 评论 -
(五)集成学习上——分类模型
wait for me原创 2021-03-27 21:11:32 · 400 阅读 · 0 评论 -
(四)集成学习上——回归模型评估与超参数调优
测试测试,稍后再补原创 2021-03-23 18:39:46 · 855 阅读 · 0 评论 -
(三)集成学习上——偏差与方差
DataWhale教程:https://github.com/datawhalechina/team-learning-data-mining/tree/master/EnsembleLearning前面的Task:(一)集成学习上——机器学习三大任务(二)集成学习上——回归模型文章目录2.1.5 评估模型的性能并调参(1) 训练集与测试集(2) 训练均方误差与测试均方误差(3) 偏差与方差的权衡(4)怎样降低测试误差① 特征提取 [原始变量的子集]训练误差修正交叉验证② 正则化/压缩估计 [变量原创 2021-03-22 15:12:19 · 311 阅读 · 0 评论 -
(二)集成学习上——回归模型
Task2教程:DataWhale集成学习教程链接写在前面:Task1还没啥压力,到了Task2,对于从未推导过公式的小白来说有些太吃力了,只能尽力做。本节课程除了SVR大部分原理都懂,实践问题都不大,调参还是个问题。手推公式暂时只能搞定最小二乘法,也算是进步。周末再回到Task2尝试一下,工作党伤不起。。2. 使用sklearn构建完整的机器学习项目流程一般来说,一个完整的机器学习项目分为以下步骤:明确解决问题的模型类型:回归/分类收集数据集并选择合适的特征。选择度量模型性能的指标。选择原创 2021-03-19 00:10:54 · 790 阅读 · 0 评论 -
(一)集成学习上——机器学习三大任务
1.导论关于什么是机器学习,有监督学习、无监督学习、回归、分类的解释,参考众多,不再赘述。参考1:DataWhale教程链接参考2:DataWhale好文,机器学习的通俗讲解! 也有非常棒的讲解。在学习机器学习中,我们经常使用scikit-learn简称sklearn工具库来探索机器学习项目,下面我们开始使用sklearn来演示这几个具体的概念:# 引入相关科学计算包import numpy as npimport pandas as pdimport matplotlib.pyplot原创 2021-03-15 21:50:03 · 480 阅读 · 1 评论