scorecard用法
摘要：# -*- coding: utf-8 -*- """ Created on Fri Oct 9 13:34:59 2020 @author: Administrator """ import scorecardpy as sc dat = sc.germancredit() #首先，导入germa
阅读全文
posted @ 2022-01-22 13:23
随笔分类 - kaggle学习笔记
2018kaggle机器学习笔记
sklearn聚类模型：基于密度的DBSCAN；基于混合高斯模型的GMM
摘要：1 sklearn聚类方法详解 2 对比不同聚类算法在不同数据集上的表现 3 用scikit-learn学习K-Means聚类 4 用scikit-learn学习DBSCAN聚类 （基于密度的聚类） 5 DBSCAN密度聚类算法 6 混合高斯模型Gaussian Mixture Model(GMM)
阅读全文
posted @ 2019-03-13 15:04
skearn学习路径
摘要：sklearn学习总结（超全面） 关于sklearn，监督学习几种模型的对比 sklearn之样本生成make_classification，make_circles和make_moons python np.logspace(1,10,5) np.linspace() 创建等比数列，生成(star
阅读全文
posted @ 2019-03-07 10:46
GBDT、XGBOOST、LightGBM对比学习及调参
摘要：一、概述。 因为工作原因，LightGBM 、 XGBOOST 、GBDT 是不可避免要接触的。这里仅仅记录个人的学习经验。 总的认识： LightGBM > XGBOOST > GBDT （效果及易用性） 都是调参数比较麻烦。（个人感觉LightGBM和XGBOOST的默认参数已经很强大了。） 二
阅读全文
posted @ 2019-02-27 11:03
sklearn,交叉验证中的分层抽样
摘要：StratifiedKFold用法类似Kfold，但是他是分层采样，确保训练集，测试集中各类别样本的比例与原始数据集中相同。 例子： import numpy as np from sklearn.model_selection import KFold,StratifiedKFold 作者：wqh
阅读全文
posted @ 2019-02-25 16:50
sklearn调参（验证曲线，可视化不同参数下交叉验证得分）
摘要：一 、 原始方法： 思路： 1. 参数从 0+∞ 的一个 区间 取点， 方法如： np.logspace(-10, 0, 10) ， np.logspace(-6, -1, 5) 2. 循环调用cross_val_score计算得分。 在SVM不同的惩罚参数C下的模型准确率。 效果： 二、高级方法（
阅读全文
posted @ 2019-02-25 15:34
SKlearn库学习曲线
摘要：思想： # 1.现将所有样本用交叉验证方法或者（随机抽样方法) 得到 K对 训练集-验证集# 2.依次对K个训练集，拿出数量不断增加的子集如m个，并在这些K*m个子集上训练模型。# 3.依次在对应训练集子集、验证集上计算得分。# 4.对每种大小下的子集，计算K次训练集得分均值和K次验证集得分均值，共
阅读全文
posted @ 2019-02-25 14:12
K最近邻kNN-学习笔记
摘要：# 0.98 改进点： 1. 根据最近的K个值 的距离对最终结果，进行加权。 2. 通过先验知识，对训练数据进行筛选，缩小训练样本，提高样本质量，有利于提高计算速度。 3. 变量尽量少，这样可以提供速度。 优点： 1. 算法原理非常简单： 用 欧式距离最近（或曼哈顿距离）的K个样本点的分类中的众数，
阅读全文
posted @ 2019-01-24 09:49
随机森林学习-sklearn
摘要：随机森林的Python实现 (RandomForestClassifier) #有意思的输出clf.feature_importances_ # 输出 自变量的总要程度clf.predict_proba(test[features]) #输出每个测试样本对应几种数据类型的概率值 150个数据，112
阅读全文
posted @ 2019-01-23 10:07
PCA和SVD最佳理解
摘要：奇异值分解(SVD)原理与在降维中的应用 https://www.cnblogs.com/pinard/p/6251584.html 最通俗易懂的PCA主成分分析推导 https://blog.csdn.net/u012526436/article/details/80868294，https://
阅读全文
posted @ 2019-01-21 13:57
