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) / 开普饭

集成学习并不是一个具体的模型或者算法,而是一个解决问题的框架,其基本思想是综合参考多个模型的结果,以提高性能,类似三个臭皮匠,顶个诸葛亮,图示如下要运用集成学习,就需要一个拆分和结合的过程,首先是拆 ...

5.3 Boosting[**] 1.boosting集成原理随着学习的积累从弱到强 2.实现过程 1.初始化训练数据权重,初始权重是相等的 2.通过这个学习器,计算错误率 3.计算这个学习期的投票 ...

4.2 决策树分类原理[*****] 1.信息增益信息增益 = entroy(前) - entroy(后) 注意:信息增益越大,我们优先选择这个属性进行计算信息增益优先选择属性总类别比较多的进行划 ...

机器学习本篇同样是机器学习,虽然没有用到python中已有的算法和函数,但借鉴了机器学习中的思路. 这篇机器学习建模的思路比较新颖,模型评估也比较独特.旨在引导广大读者借鉴,举一反三. 只是通过足球 ...

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) 输出结果 1.eps=0.1,treeDepth=1 2.eps=0.1,treeDepth=5 ...

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输出结果设计思路核心代码 bagging_clf = BaggingRegressor( ...

TF之LSTM:利用基于顺序的LSTM回归算法对DIY数据集sin曲线(蓝虚)预测cos(红实)(TensorBoard可视化) 输出结果代码设计 import tensorflow as tf i ...

ML之分类预测之ElasticNet:利用ElasticNet回归对二分类数据集构建二分类器(DIY交叉验证+分类的两种度量PK) 输出结果设计思路核心代码 #(4)交叉验证 for ixval ...

EL之Bagging:利用Bagging算法实现回归预测(实数值评分预测)问题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. ...

ML之K-means:基于DIY数据集利用K-means算法聚类(测试9种不同聚类中心的模型性能) 输出结果设计思路 1.使用均匀分布函数随机三个簇,每个簇周围10个数据样本. 2.绘制30个数据样 ...

TF之NN:基于Tensorflow利用神经网络算法对数据集(用一次函数随机生成100个数)训练预测斜率.截距(逼近已知一次函数) 输出结果代码设计 import os os.environ['TF ...

DL之NN:利用(本地数据集50000张数据集)调用自定义神经网络network.py实现手写数字图片识别94%准确率输出结果更新-- 代码设计 import mnist_loader impor ...

ML之RF:kaggle比赛之利用泰坦尼克号数据集建立RF模型对每个人进行获救是否预测输出结果后期更新-- 实现代码 #预测模型选择的RF import numpy as np import pa ...

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)