登录后绑定QQ、微信即可实现信息互通
EL之Bagging(DTR):利用DIY数据集(预留30%数据+两种树深)训练Bagging算法(DTR) 目录 输出结果 设计思路 核心代码 输出结果 1、treeDepth=1 2、treeDepth=5 设计思路 核心代码 for iTrees in range(numTreesMax):idxBag = []for i ..
EL之Bagging:利用Bagging算法实现回归预测(实数值评分预测)问题 目录 输出结果 设计思路 核心思路 输出结果 设计思路 核心思路 #4.1、当treeDepth=1,对图进行可视化#(1)、定义numTreesMax、treeDepthnumTreesMax = 30treeDepth ..
EL之Bagging(DTR):利用Bagging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 bagFract = 1.0#----------------------☆☆☆☆☆nBagSamples = int(len(xTrain) * ba..
EL之Boosting之GB(DTR):利用梯度提升法解决回归(对多变量的数据集+实数值评分预测)问题 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 xList = []labels = []names = []firstLine = Truefor line in data:..
EL之RF(随机性的Bagging+DTR):利用随机选择属性的bagging方法解决回归(对多变量的数据集+实数值评分预测)问题 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 range(numTreesMax):modelList.appe..
EL之Boosting之GB(DTR):简单回归问题使用梯度提升法(DIY数据集+DTR模型+调两参) 目录 输出结果 设计思路 核心代码 输出结果1、eps=0.1,treeDepth=12、eps=0.1,treeDepth=52、eps=0.3,treeDepth=5设计思路 核心代码 for iTrees in ra..
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..
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