10 2024 档案

摘要:嵌入式特征选择(Embedded Feature Selection)是一种在模型训练过程中自动选择重要特征的方法。相比前向逐步选择或随机抽样等独立的特征选择步骤,嵌入式特征选择能直接在模型构建中融入特征选择逻辑。其中,**L1 正则化(Lasso)**是一种典型的嵌入式特征选择方法。 什么是 L1 阅读全文
posted @ 2024-10-31 17:40 王哲MGG_AI 阅读(107) 评论(0) 推荐(0) 编辑
摘要:1. lambda_l1(L1正则化) 含义:L1 正则化系数,它会对每个叶子节点的分数进行稀疏化处理,目的是减少模型中的不必要特征,减少过拟合。 默认值:0(即不进行 L1 正则化) 如何调整: 增大 lambda_l1:可以增加稀疏性,帮助模型在数据特征过多时减少不必要的特征。增大 lambda 阅读全文
posted @ 2024-10-31 16:15 王哲MGG_AI 阅读(663) 评论(0) 推荐(0) 编辑
摘要:1. num_leaves 含义:num_leaves 控制每棵树可以生成的叶子节点数,代表模型的复杂性。更高的叶子节点数意味着模型可以捕捉更细致的特征关系,但也更容易过拟合。 默认值:通常设置在 31 或 64。 如何调整: 增大 num_leaves:增大叶子数能够提升模型的拟合能力,但容易过拟 阅读全文
posted @ 2024-10-31 15:43 王哲MGG_AI 阅读(551) 评论(0) 推荐(0) 编辑
摘要:# 清空环境变量 rm(list = ls()) setwd("C:\\Users\\Administrator\\Desktop\\machine learning\\LSTM") library(magrittr) # 提供 %>% 管道操作符 library(keras) # 提供 Keras 阅读全文
posted @ 2024-10-14 14:55 王哲MGG_AI 阅读(15) 评论(0) 推荐(0) 编辑

点击右上角即可分享
微信分享提示