統計學習-特徵工程介紹 探究特徵工程 衆所周知，特徵工程是非常重要的數據挖掘步驟之一。在我們獲取數據後，會首先進行數據清洗並得到一個能夠分析的數據集。然後開始觀察數據，並對數據做特徵工程處理，因爲有些模型對數據的特徵屬性要求較高。
轉自https://www.cnblogs.com/mary-chrisima/p/6940057.html 備忘，後面有時間整理
引言 在第4篇中我們簡要介紹了GBDT的使用方法，本篇來聊一種進階的GBDT-XGBoost，這是一款極其優秀的算法解決方案，項目官方網站：https://xgboost.readthedocs.io/en/latest/。 XG
上手機器學習系列-第2篇-工具&學習資料準備篇 工欲善其事，必先利其器。既然機器學習是一門實踐性科學，那麼過程中就非常重視動手能力了。本期爲大家推薦一些相關的軟件工具、學習資源，以期在正式開始編碼之前讓大家做好相應的準備工作。因爲
書接上回 在上篇中，我們介紹了XGBoost的原生接口使用方法，以及sklearn版本的接口。本篇我們再結合Scala/Spark來聊聊，以體現XGBoost在工程上的易用性。 Spark是基於Scala原生語言開發的一個分佈式
本篇中我們結合XGBoost的論文《XGBoost: A Scalable Tree Boosting System》來理解一下該算法的原理。 這是一篇寫自2016年的論文，當時已經有大量的競賽、工作實踐開始採用XGBoost。作
heamy庫的blending方法和mlxtend庫的Stacking 方法 # -*- coding: utf-8 -*- from heamy.dataset import Dataset from heamy.estimator
近年來，教育網絡輿情爆發頻率較高，紛繁複雜的突發事件將部分學校和教育主管部門捲入到安全和聲譽的危機之中。古語云：“三人成虎，衆口鑠金”。這也意味着，人的語言和報紙、電視、互聯網等媒介組成的傳播世界對公衆瞭解事實真相起到了決定性的作用。這種
本週是時序分析實戰~ 目標是預測未來三期傳統汽車的銷量。 數據背景: 03年到19年每一季度分季度的數據，13年之前只有傳統汽車的銷量，13年之後是傳統汽車+新能源汽車的銷量，需要預測未來三期傳統汽車的銷量～ ps:傳統汽車的銷量
本篇目錄單因素方差分析的步驟雙因素方差分析步驟1、每個地區間的銷售量是否相同？2、不同月份的銷售量是否相同？3、不同時間與地區的銷售量是否相同？ 數據背景：有A、B、C、D四個地區，不同地區的銷售量不一樣，現抽取了不同時間段內每個
本篇目錄1 基本概念2 平穩序列的預測3 趨勢性序列的預測 1 基本概念 時間序列（times series）：同一現象在不同時間上的相繼觀察值排列而成的序列。 平穩序列（stationary series）：基本上不存在趨勢
1.要解決的問題 給出的數據集爲人體的體溫數據，下載鏈接爲 https://pan.baidu.com/s/1t4SKF6U2yyjT365FaE692A* 包括三個數據字段： gender：性別，1爲男性，2爲女性 Tempe
主要參考資料爲《小象學院-機器學習IV》 打個廣告，這套視頻真的非常贊，建議大家看三遍以上，每一遍都有新的收穫，BiliBili上有免費資源，感謝鄒博！！！ 李航的統計學習方法 臺灣大學李宏毅老師的機器學習視頻（BiliBili
什麼是歷史，歷史就是我們，不是你，不是他，不是她，是所有人。 ——————————題記 本文是博主對於bayes及其相關知識的讀物總結。 一、數學之美番外篇：平凡而又神奇的貝葉斯方法 二、機器學習理論與實戰（三）樸素貝葉斯 三、從貝葉
Boosting算法 集成學習 集成學習的一般結構：先產生一組個體學習器，再使用某種策略將它們結合起來。個體學習器通常由一個現有的算法從訓練數據中產生。集成學習既可以包含相同類型的個體學習器，也可以包含不同類型的個體學習器。 集成
