logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

python - 机器学习lightgbm相关实践

相关文章:R+python︱XGBoost极端梯度上升以及forecastxgb(预测)+xgboost(回归)双案例解读python︱sklearn一些小技巧的记录(训练集划分/pipelline/交叉验证等)GBDT一个藤上,进化的xgb以及lgb。比较好的几则练习代码:QLMX/data_mining_modelsAnfany/Machine-Learning-for-Beginner-by

#python#机器学习#排序算法 +1
医疗大模型产品、技术开发平台调研

医疗大模型的一些产品收集

文章图片
机器学习模型可解释性进行到底 —— 从SHAP值到预测概率(二)

第一篇主要把SHAP值的各类图表操作方式进行展示:机器学习模型可解释性进行到底 —— SHAP值理论(一)接下来主要围绕一篇文章的内容展开【黑盒模型实际上比逻辑回归更具可解释性】源代码部分:smazzanti/tds_black_box_models_more_explainable自己的测试代码:mattzheng/ml_interpretability非常有意思的一个案例,里面把SHAP值的解

#机器学习#python
大模型时代的模型运维与部署:LLMops

大模型时代的模型运维与部署:LLMops

文章图片
#运维#python
机器学习模型可解释性进行到底 ——PDP&ICE图(三)

之前两篇有专门介绍shap值,可以说非常好用,机器学习模型可解释性进行到底 —— 从SHAP值到预测概率(二)机器学习模型可解释性进行到底 —— SHAP值理论(一)文章目录1 部分依赖图(Partial Dependence Plot)1.1 理论解读1.2 如何根据PDP 进行特征筛选2 个体条件期望图(Individual Conditional Expectation Plot)3skle

#机器学习
生存分析——快手的基于深度学习框架的集成⽣存分析软件KwaiSurvival(一)

看到快手这篇文章,还开源了他们的KwaiSurvival,上手试了试:KwaiSurvival 是快⼿DA⾃主开发的基于深度学习框架的集成⽣存分析软件,帮助使⽤者在Python编程环境下⾼效地使⽤⽣存分析模型实现⼤规模的数据分析地址:https://github.com/kwaiDA/KwaiSurvival本篇主要是今天简单测试了之后的一些笔记记录,不知道他们组内的小伙伴看到这篇,会不会打我。。

#深度学习
MLFlow︱机器学习工作流框架:MLFlow docker 实践(二)

文章目录1 mlflow Dockerfile2 训练模型3 对比模型4 打包模型5 模型部署6 模型inference调用mlflow的安装与使用,可以直接:pip install mlflow1 mlflow Dockerfile本来按照这个MLFlow教程(MLflow系列1:MLflow入门教程(Python)),找台机器跑起来没啥问题;不过,看到项目的github有Dockerfile那

#python#docker
nvidia-rapids︱cuML机器学习加速库

cuML是一套用于实现与其他RAPIDS项目共享兼容API的机器学习算法和数学原语函数。cuML使数据科学家、研究人员和软件工程师能够在GPU上运行传统的表格ML任务,而无需深入了解CUDA编程的细节。 在大多数情况下,cuML的Python API与来自scikit-learn的API相匹配。对于大型数据集,这些基于GPU的实现可以比其CPU等效完成10-50倍。 有关性能的详细信息,请参阅..

#python
    共 344 条
  • 1
  • 2
  • 3
  • 35
  • 请选择