1. LightGBM简介1.1 简介LightGBM是的XGBoost的升级版，与XGBoost有近似精度的前提下，又大大提高了训练速度。LightGBM的主要优点：简单易用。提供了主流的Python\C++\R语言接口，用户可以轻松使用LightGBM建模并获得相当不错的效果。高效可扩展。在处理大规模数据集时高效迅速、高准确度，对内存等硬件资源要求不高。鲁棒性强。相较于深度学习模型不需要精细调

张量的创建张量创建的方式有许多种直接创建直接数组创建import torchimport numpytorch.tensor([[0.1,1.2],[2.2,3.1],[4.9,5.2]])上面是直接创建，这样的方式我们最容易理解。直接给出原始数据。需要注意的是，参数必须是一个数组，多个数组的话需要合成一个数组。从numpy数组创建a = numpy.array([1,2,3])t = torch

转载于: 知乎1. 调用方式例如:from sklearn import datasetsboston = datasets.load_boston()# 导入波士顿房价数据bostondataname.datadataname.targetdataname.feature_names2. Toy Datasets2.1. 波士顿房价-回归from sklearn import datasetsb

1. XGBoost简介1.1 简介XGBoost是2016年由华盛顿大学陈天奇老师带领开发的一个可扩展机器学习系统。严格意义上讲XGBoost并不是一种模型，而是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了梯度提升树(GBDT)模型，并对模型中的算法进行了诸多优化，在取得高精度的同时又保持了极快的速度，在一段时间内成为了国内外数据挖掘、机器学习领域中的大规模杀伤性武器。XGBo

1. XGBoost简介1.1 简介XGBoost是2016年由华盛顿大学陈天奇老师带领开发的一个可扩展机器学习系统。严格意义上讲XGBoost并不是一种模型，而是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了梯度提升树(GBDT)模型，并对模型中的算法进行了诸多优化，在取得高精度的同时又保持了极快的速度，在一段时间内成为了国内外数据挖掘、机器学习领域中的大规模杀伤性武器。XGBo

1. XGBoost简介1.1 简介XGBoost是2016年由华盛顿大学陈天奇老师带领开发的一个可扩展机器学习系统。严格意义上讲XGBoost并不是一种模型，而是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了梯度提升树(GBDT)模型，并对模型中的算法进行了诸多优化，在取得高精度的同时又保持了极快的速度，在一段时间内成为了国内外数据挖掘、机器学习领域中的大规模杀伤性武器。XGBo

另外，也可以用多线程的方式跑。

1. XGBoost简介1.1 简介XGBoost是2016年由华盛顿大学陈天奇老师带领开发的一个可扩展机器学习系统。严格意义上讲XGBoost并不是一种模型，而是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了梯度提升树(GBDT)模型，并对模型中的算法进行了诸多优化，在取得高精度的同时又保持了极快的速度，在一段时间内成为了国内外数据挖掘、机器学习领域中的大规模杀伤性武器。XGBo

{// Place your snippets for python here. Each snippet is defined under a snippet name and has a prefix, body and// description. The prefix is what is used to trigger the snippet and the body will be e

深度学习考虑某个具体问题时，你可能只有少量数据来解决这个问题。不过幸运的是你有一个类似问题已经预先训练好的神经网络。可以用下面哪种方法来利用这个预先训练好的网络？（样本少，相似性低）–> 冻结训练（样本多，相似性低）–> 重新训练（样本少，相似性高）–> 修改输出层（样本多，相似性高）–> 预训练权+重新训练样本少，相似性低 --> 冻结训练样本多，相似性低 --&g