参考文献-[共3页]-333-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
文本预览下载声明
参考文献315小结本章介绍了Python实现的集成方法工具包。实例代码展示了使用这些方法针对不同类型的问题构建模型。本章涵盖了回归问题、二分类问题、多类别分类问
显示全部
文档详情
相似文档
-
参考文献-[共3页]-266-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
248第6章集成方法方法实际上是对二元决策树基学习器的修正。这些差异看起来不是本质上的，但是这些给予了随机森林与Bagging和梯度提升法不同的性能特性。有研究
-
参考文献-[共3页]-87-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
68第2章通过理解数据来了解问题#plotrowsofdataasiftheywereseriesdatadataRow=glassNormalized.il
-
利用Python Pandas对“岩石vs.水雷”数据集进行统计分析-[共3页]-51-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
32第2章通过理解数据来了解问题那么如何利用这些信息？异常点在建模或预测期间都会带来麻烦。基于此数据集训练完一个模型后，可以查看此模型预测错误的情况，然后确认此
-
用Python梯度提升法探测未爆炸水雷-[共7页]-307-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
7.4用Python集成方法解决二分类问题289图7-14是最重要的前30个属性的重要性排名。在水雷检测的问题中，不同的属性对应不同频率的声纳信号，即不同波长的信号。如果要求设计一个机器学习系统来解决这个问题
-
对鲍鱼性别属性编码引入Python随机森林回归方法-[共3页]-289-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
7.3Python集成方法引入非数值属性271能很差。图7-6Bagging方法预测红酒口感：误差与决策树数目的关系（决策树深度为8，bagfraction=0
-
Bagging算法是如何工作的-[共11页]-237-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
6.2自举集成：Bagging算法219假设一个类别属性包含A、B、C三类，可能的分割方式是：A在一个子集，B、C在另外一个子集，或者B在一个子集，A、C在另外一个子集，诸如
-
为什么这两类算法如此有用-[共5页]-20-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
第1章关于预测的两类核心算法本书集中于机器学习领域，只关注那些最有效和获得广泛使用的算法。不会提供关于机器学习技术领域的全面综述。这种全面性的综述往往会提供太多的算法，但是这些算法并没有在从业
-
构建随机森林模型来预测红酒口感-[共7页]-269-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
第7章用Python构建集成模型本章使用Python工具包利用第6章介绍的集成方法构建预测模型。解决的问题在第2章中已介绍过。第5章介绍了如何使用惩罚线性回归来构建预测模型解决上述问题。本章使用集成方法来解决
-
基于因素变量的实数值预测：鲍鱼的年龄-[共6页]-64-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
2.4基于因素变量的实数值预测：鲍鱼的年龄45plot.pcolor(corMat)plot.show()图2-8展示属性对相关性的热图属性之间如果完全相关（
-
用实数值属性预测实数值目标：评估红酒口感-[共6页]-76-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
2.5用实数值属性预测实数值目标：评估红酒口感57可以采用鲍鱼数据分析同样的工具。因为所有属性都是数值型，分析时可以包含所有的属性，如计算相关性时。2.5用实数
-
构建并测试模型以预测红酒口感-[共5页]-175-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
5.2多变量回归：预测红酒口感157也可以将该问题转换为多分类问题，即该问题包含6种可能的类别（整数3～8）。但是作为分类问题会忽略不同得分之间存在的顺序关系（如5比6差，但比4好），所以回归
-
用Bagging来预测红酒口感-[共5页]-284-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
266第7章用Python构建集成模型图7-4梯度提升法预测红酒口感：各属性相对重要性排序7.2用Bagging来预测红酒口感代码清单7-3展示了对红酒数据进行自举取样（bootstrapsa
-
用梯度提升预测红酒品质-[共8页]-276-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
258第7章用Python构建集成模型可视化随机森林回归模型的性能图7-1的曲线展示了随机森林算法的减少方差的特性。随着决策树数目的增加，预测误差在下降，曲线的统计波动也在减少。注意为
-
获取梯度提升法的最佳性能-[共3页]-252-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
234第6章集成方法梯度提升法如何通过迭代获得预测模型对iTrees的循环是以用属性值训练一个决策树开始的，但是用残差代替标签进行训练。只有第一轮是用原始的标签
-
随机森林-[共5页]-259-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
6.4随机森林241对于同样的问题，此方法大概比Bagging的方法差10%。可以尝试调整：决策树的数目、eps步长和决策树的深度来看看是否可以获得更佳的性能。均方误差与决策树数目的关系曲线在