摘要：
关于这个问题还是困扰了很久，我生成了一些样本数据，打算保存到csv文件，之后用pandas的命令： 这样的方式保存后，你用自己的exel打开该文件，一堆乱码，怎么办？使用如下方式解决 以后只要保存含有中文字符的这样存就可以了 阅读全文
摘要：
直接上代码吧： 输出： 本文参考：https://blog.csdn.net/the_lastest/article/details/79093407 阅读全文
摘要：
LightGBM 可以使用一个 pairs 的 list 或一个字典来设置参数： 1.Booster提升器的参数： 2.可以制定多eval指标： 模型的训练：需要一个params参数和训练数据集 训练完成后存储模型： 模型使用如下方式来加载： 预测：已将训练或者加载好的模型都可以对数据集进行预测 在 阅读全文
摘要：
训练数据要放到Dataset中供lgb使用，构建数据如下： 很清晰的构建数据方式，记住这种用法 指定 feature names（特征名称）和 categorical features（分类特征）： 分类特征可以人为制定，使用categorical_feature选取你制定的名称 阅读全文
摘要：
昨天训练了性别和年龄预测的模型。给我的启发很大。你的侧重点要着眼于能够适用于工业界的模型，训练耗时少，占用内存小，效率高，支持海量数据分析能力。虽然深度学习很火，但要普遍适用于广大工业界还有一段距离。 1.模型GBDT,XGBoost,LightGBM都是非常不错的模型，需要重点研究，要吃透其中的原 阅读全文
摘要：
用来生成DataFrame数据 1.说明： class pandas.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False) Two-dimensional size-mutable, potentially he 阅读全文
摘要：
对于数据样本的标签，如果我们事先不知道这个样本有多少类别，那么可以对数据集的类别列进行统计，这时我们用pandas的Categorical方法就非常快的实现。 1.说明： 你的数据最好是一个series，之后，pd.Categorical(series)，得到分类的对象，使用categories或者 阅读全文
摘要：
用于模型的训练 1.说明： lightgbm.train(params, train_set, num_boost_round=100, valid_sets=None, valid_names=None, fobj=None, feval=None, init_model=None, featur 阅读全文
摘要：
最近使用了LightBGM的Dataset，记录一下： 1.说明： classlightgbm.Dataset(data, label=None, reference=None, weight=None, group=None, init_score=None, silent=False, feat 阅读全文
摘要：
就是将一个值替换为另一个值，以前我用的是赋值方式，这里应该效率会高。 1.说明： 语法：replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None 阅读全文