登录后绑定QQ、微信即可实现信息互通
EL之RF(RFC):利用RF对二分类问题进行建模并评估 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 auc = []nTreeList = range(50, 2000, 50)for iTrees in nTreeList:depth = NonemaxFeat= 8 rocksVMinesRFMode..
EL之GB(GBM):利用GB对回归(性别属性编码+调2参)问题(整数值年龄预测)建模 目录 输出结果 设计思路 核心代码 输出结果 T1、T2、设计思路 核心代码 #T1nEst = 2000depth = 5learnRate = 0.003maxFeatures = Nonesubsamp = 0.5#..
EL之RF(RFR):利用RandomForestRegressor对回归问题(实数值评分预测)建模(调2参) 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 mseOos = []nTreeList = range(100, 1000, 100)#----▲☆▲☆▲for iTrees in nTreeL..
EL之RF(RFR):利用RF对回归(性别属性编码)问题(整数值年龄预测)建模 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 for iTrees in nTreeList:depth = NoneabaloneRFModel = ensemble.RandomForestRegressor(n_e..
EL之DT&RF&GBT:基于三种算法(DT、RF、GBT)对泰坦尼克号乘客数据集进行二分类(是否获救)预测并对比各自性能 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 vec = DictVectorizer(sparse=False) X_train ..
EL之GB(GBR):利用GBR对回归问题(实数值评分预测)建模 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 wineGBMModel = ensemble.GradientBoostingRegressor(n_estimators=nEst,max_depth=depth,learning_rate=learnR..
EL之GB(GBC):利用GB对多分类问题进行建模(分层抽样+调1参)并评估 目录 输出结果 设计思路 核心代码 输出结果 T1、T2、 设计思路 核心代码 #T1、nEst = 500depth = 3learnRate = 0.003maxFeatures = NonesubSamp = 0.5#..
EL之AdaBoost:集成学习之AdaBoost算法的简介、应用、经典案例之详细攻略 目录 AdaBoost算法的简介 1、理解AdaBoost算法 1.1、从前向逐步递增角度来看理解AdaBoost:要找到最优的f很难→每次递增。 1.2、前向逐步递增的损失函数—L2Boosting 2、..
EL之GB(GBC):利用GB对二分类问题进行建模并评估 目录 输出结果 T1、纯GB算法 T2、以RF为基学习器的GB算法 设计思路 核心代码 输出结果 T1、纯GB算法T2、以RF为基学习器的GB算法 设计思路 核心代码 # nEst = 2000# dep..
EL之Bagging:kaggle比赛之利用泰坦尼克号数据集建立Bagging模型对每个人进行获救是否预测 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 bagging_clf = BaggingRegressor(clf_LoR, n_estimators=10, max_sample..
提出你的第一个问题
回答一个你擅长的问题
对内容进行点赞或者收藏
阅读声望与权限的规范
完善个人资料