![](https://img-blog.csdnimg.cn/direct/569385369da044108376a255b0cb7735.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
机器学习
文章平均质量分 80
机器学习基础
菜鸟Octopus
某生鲜领域供应链算法
展开
-
1-4.时间序列数据建模流程范例
使用Pytorch通常有三种方式构建模型:使用nn.Sequential按层顺序构建模型,继承nn.Module基类构建自定义模型,继承nn.Module基类构建模型并辅助应用模型容器进行封装。此处选择第二种方式构建模型。# 3层lstmreturn yprint(net)Net(原创 2024-07-01 21:15:37 · 982 阅读 · 0 评论 -
XGboost详解
文章最前: 我是Octopus,这个名字来源于我的中文名–章鱼;我热爱编程、热爱算法、热爱开源。所有源码在我的个人github;这博客是记录我学习的点点滴滴,如果您对 Python、Java、AI、算法有兴趣,可以关注我的动态,一起学习,共同进步。XGBoost(eXtreme Gradient Boosting)是一个高效的机器学习库,也是一种基于梯度提升决策树(Gradient Boosting Decision Tree)的集成学习算法,专为提升树算法的性能和速度而设计。原创 2024-06-28 10:47:20 · 515 阅读 · 0 评论 -
CatBoost原理介绍
文章最前: 我是Octopus,这个名字来源于我的中文名–章鱼;我热爱编程、热爱算法、热爱开源。所有源码在我的个人github;这博客是记录我学习的点点滴滴,如果您对 Python、Java、AI、算法有兴趣,可以关注我的动态,一起学习,共同进步。原创 2024-06-28 09:53:49 · 806 阅读 · 0 评论 -
协同过滤推荐算法和基于内容推荐算法的区别?
基于内容的推荐只考虑了对象本身性质,将对象按照标签形成集合,如果你消费集合中的一个则向你推荐集合中其他的对象;根据物品或内容的元数据,发现物品或内容的相关性,然后基于用户以前的的喜好记录推送给用户相似的物品,它不能进行实时的进行推送; 协同过滤算法又分为三种:基于用户的协同过滤算法,基于项目的协同过滤算法,基于模型的协同过滤算法 基于协同过滤的推荐算法:充分...原创 2018-10-17 20:42:58 · 5313 阅读 · 0 评论 -
LR与SVM以及线性回归的区别于联系
LR与SVM的联系与区别相同点: 1)LR与SVM都是分类算法 2)LR与SVM都是监督学习算法 3)LR与SVM都是判别模型 4)如果不考虑核函数,LR与SVM都是分类算法,也就是说他们的分类决策都是线性的。不同点: 1)损失函数不同 2)SVM只考虑支持向量,而LR考虑全局 3)在解决非线性问题,SVM...原创 2018-11-03 15:39:26 · 440 阅读 · 1 评论 -
LightGBM 的完整解释 - 最快的梯度提升模型
在寻找最佳特征值来分割树节点时,LightGBM使用特征值直方图,并尝试所有直方图bin值,而不是尝试所有可能的特征值,因此可以减少寻找最佳特征吐出值的时间和计算量。例如,给定下面的年龄特征,将直方图离散特征值放入不同的范围箱中,因此我们可以使用像Age⩽30,Age⩽40,,,,Age⩽100这样的吐槽标准,而不是尝试像Age这样的所有可能的年龄值⩽31、年龄⩽32 等。一般来说,GOSS的主要思想是,在训练下一个集成树之前,我们保留梯度较大的训练实例,并丢弃一些梯度较小的训练实例。原创 2023-10-29 21:23:24 · 5039 阅读 · 0 评论 -
LightGBM回归分位数预测
对于回归预测任务来说,并不是所有时候我们都只追求绝对准确的预测,事实上,我们的预测总是不准确的,所以有时需要一个预测区间,而不是寻找绝对的精度,在这种情况下我们需要分位数 回归——我们预测目标的区间估计。原创 2018-07-26 21:03:40 · 242 阅读 · 0 评论 -
XGboost进行时间序列预测
XGBoost是一个优化的分布式梯度增强库,旨在实现高效,灵活和便携。它在 Gradient Boosting 框架下实现机器学习算法。XGBoost提供并行树提升(也称为GBDT,GBM),可以快速准确地解决许多数据科学问题。相同的代码在主要的分布式环境(Hadoop,SGE,MPI)上运行,并且可以解决数十亿个示例之外的问题。原创 2020-11-19 10:39:06 · 5902 阅读 · 3 评论 -
sklearn Preprocessing 数据预处理功能
scikit-learn`(或`sklearn`)的数据预处理模块提供了一系列用于处理和准备数据的工具。- `StandardScaler`: 将数据进行标准化,使得每个特征的均值为0,方差为1。- `MinMaxScaler`: 将数据缩放到指定的最小值和最大值之间(通常是0到1)。- `RobustScaler`: 对数据进行缩放,可以抵抗异常值的影响。- `RFE`(递归特征消除):逐步选择特征,通过迭代来识别最重要的特征。- `MaxAbsScaler`: 将数据按特征的绝对值最大缩放。原创 2023-08-23 22:15:00 · 1182 阅读 · 0 评论