代码# 鸢尾花数据分类-随机森林# 结果为6个随机森林得到的结果import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib as mplfrom sklearn.ensemble import RandomForestClassifier# def iris_type(s):#it =

文章目录一、XGBoost实战1.xgboost的数据格式2.参数介绍3.XGBoost分类3.1基于XGBoost原生接口的分类3.2xgboost.train参数介绍3.3使用sklearn接口的分类—XGBClassifier4.XGBoost回归4.1 基于XGBoost原生接口的回归4.2使用sklearn接口的回归—XGBClassifier5.XGBoost操作补充二、XGBoost

文章目录1.TFRecord简介1）TFRecord是什么2）为什么用TFRecord3）TFRecord格式2.写入TFRecord3.读取TFRecord文件4.案例实战-猫狗图片分类1.TFRecord简介1）TFRecord是什么TFRecord --> Example --> feature --> key-value键值对，并且value的取值有三种2）为什么用TFR

文章目录一、LightGBM简介1. LightGBM提出的动机2.XGBoost的缺点及LightGBM的优化2.1 XGBoost的缺点2.2 LightGBM的优化二、LightGBM的基本原理1、基于Histogram的决策树算法1.1 直方图算法1.2 直方图做差加速2.带深度限制的 Leaf-wise 算法3.单边梯度采样算法4.互斥特征捆绑算法4.1 解决哪些特征应该绑在一起4.2

文章目录引言一、数据探索分析1.数据质量分析1.1缺失值分析1.2 异常值分析1.3 重复数据分析2.数据特征分析2.1 分布分析三、数据预处理1.数据归约之属性归约2.数据归约之数值归约引言  居民在使用家用热水器的过程中，会因为地区气候、不同区域和用户年龄性别差异等原因形成不同的使用习惯。家电企业若能深入了解其产品在不同用户群中的使用习惯，从而产商便可以对不同的客户群提供最适合的个性化产品，制

文章目录一、Auto-Encoders（AE）实战二、Varational Auto Encoder（VAE）实战一、Auto-Encoders（AE）实战导入模块# 图片的重建import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'# 使用GPU，设置内存自动增长from tensorflow.compat.v1 import ConfigProtofr

文章目录一、自编码器原理二、Auto-Encoders的变种1.Denoising AutoEncoders2.Dropout AutoEncoder3.Adversarial AutoEncoders(AAE)4.Varational Auto Encoder-VAE一、自编码器原理    有监督学习的神经网络，总体上可以看做是特征降维的过程。把原始的高维输入向量????变换到低维的变量yyy。

文章目录1.数据说明与预处理2.探索性分析3.数据的预处理与特征工程4.模型训练5.模型评价1.数据说明与预处理import pandas as pdimport matplotlib.pyplot as plt# 加载数据bank = pd.read_csv('data/bank-full.csv',delimiter=';')# 通过查看前五行简要查看数据集的构成print(bank.head

文章目录引言一、数据探索性分析1.数据质量分析1.1 缺失值分析1.2 异常值分析1.3 重复数据分析2.数据特征分析2.1 描述性统计分析2.2 分布分析引言  购物篮分析是通过发现顾客在一次购买行为中放入购物篮中不同商品之间的关联，研究顾客的购买行为，从而辅助零售企业制定营销策略的一种数据分析方法。本文使用Apriori关联规则算法实现购物篮分析，发现超市不同商品之间的关联关系，并根据商品之间

文章目录引言1.网格搜索GridSearchCV()2.随机搜索GridSearchCV()3.总结引言  不同的超参数的值对于模型的性能有不同的影响,我们需要找到的就是使得模型性能最佳的超参数。1.网格搜索GridSearchCV()  网格搜索的思想非常简单，比如你有2个超参数需要去选择，那你就把所有的超参数选择列出来分别做排列组合。举个例子： ????=0.01,0.1,1.0 和 ????