注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. Trading Based on Recommendations -XGBoost Approach with Feature Engineering

  2. 基于XGBoost的特征工程选择，论文使用一个实例介绍了如何使用XGBoost在推荐系统中选择特征工程

  3. 所属分类：机器学习

    • 发布日期：2019-02-11
    • 文件大小：538kb
    • 提供者：patient_hong

  1. Algorithm-BoostARoota.zip

  2. Algorithm-BoostARoota.zip,一种快速xgboost特征选择算法,算法是为计算机程序高效、彻底地完成任务而创建的一组详细的准则。

  3. 所属分类：其它

    • 发布日期：2019-09-17
    • 文件大小：571kb
    • 提供者：weixin_38743968

  1. 2020华为杯数学建模C题.pdf

  2. 面向康复工程的脑电信号分析和判别模型，脑电信号；随机森林；特征选择；XGBoost ，解决了四个问题，有详细的方法叙述和结果，可供参考

  3. 所属分类：机器学习

    • 发布日期：2020-09-23
    • 文件大小：1mb
    • 提供者：u010506897

  1. 查看xgb特征重要性输出全是nan，ValueError:’Booster.get_score() results in empty’ 的原因及解决方案

  2. 1 问题描述 我想用XGBoost来建立一个模型，通过特征构造之后我需要做一个特征选择来减少特征数量、降维，使模型泛化能力更强，减少过拟合： 这里尝试通过查看特征重要性来筛选特征： from xgboost import XGBRegressor from xgboost import plot_importance xgb = XGBRegressor() xgb.fit(X, Y) print(xgb.feature_importances_) plt.figure(figsize=(20,

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：106kb
    • 提供者：weixin_38616809

  1. KaggleHousePrices:这是针对Kaggle房价挑战的解决方案-源码

  2. KaggleHouse价格 该解决方案的均方根误差（RMSE）为0.12138 ，在排行榜中排名前10％ 。 要求 需要安装的库列表为： 大熊猫 scikit学习 xgboost catboost（可选，因为未将其选择为表现最佳的算法） matplotlib 探索性数据分析（EDA）和特征工程 注意：为避免训练集上安装的要素工程中的数据泄漏参数。 步骤1：缺失值分析已经进行了缺失值分析，以查看具有缺失值的变量以及对该变量应采取的处理方式。对于训练集： 多变的 缺少样本（百分比） 电的 0.1

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：22kb
    • 提供者：weixin_42151373

  1. Urban-Region-Function-Classification-源码

  2. Top 2方案 团队介绍 队名：海疯习习 成员： 朱群喜，复旦大学数学系博士，目前在哈佛医学院交流； 周杰，华东师范大学计算机系博士，目前在加拿大约克大学交流，曾获得和 Top3。 名次：初赛第一，最终第一 任务描述 给定用户访问数据和卫星图片，判断城市用地功能，包括住宅区，学校，工业园区，火车站，机场，公园，购物区，行政区和医院9个类别，具体任务描述见 环境要求 Python 3.6 火炬0.4.0 斯克莱恩 麻木 XGboost Lightgbm 思路 特征 用户基本特征 1）提取一个

  3. 所属分类：其它

  1. fighting_covid19-源码

  2. fighting_covid19 该脚本试图找出诊断出covid-19的患者永生的可能性。 数据来自Kaggle。 目标值是death_rate，模型使用的特征是“ country_region”，“ last_update”，“ lat”，“ long”，“ confirmed”，“ deaths”，“ recovered”，“ active”，“ incident_rate”，“ people_tested” ”，“ people_hospitalized”，“ uid”，“ iso

  3. 所属分类：其它

  1. 基于XGBoost的机载激光雷达与高光谱影像结合的特征选择算法

  2. 为了解决地物分类的机载激光雷达(LiDAR)与高光谱特征构造中存在的特征维数过高的问题, 提出了一种基于XGBoost与皮尔逊相关系数相结合的特征选择算法——XGB-PCCS, 同时设计了XGBoost与序列后向选择相结合的特征选择算法——XGB-SBS与之对比。采用真实数据验证所设计的两种算法, 结果表明：两种算法均可在保证分类结果准确率的基础上有效地减小特征集维数; XGB-SBS算法保留的特征维度为33, 得到的总体分类精度为95.63%, Kappa系数为0.943; XGB-PCCS算

  3. 所属分类：其它

  1. Advanced_Regression_Housing_Price_Prediction：关于Advanced_Regression_Housing_Problem的Kaggle竞赛-源码

  2. 房价，先进的回归技术 该数据取自kaggle。 数据处理 从数据中删除庞大的大纲。 对数-目标变量的转换 特征工程，为我们的数据选择更好的特征。 关联变量的数据关联矩阵。 数据中有许多缺失值，因此我们将按照竞争规则中的规定填充这些值。 标签编码一些分类变量 使用（高度）倾斜特征的Box Cox变换 造型 导入所有必需的库 交叉验证策略定义 使用的基本模型 1，LASSO回归 2，弹性净回归 3，核岭回归 4，梯度提升回归 5，XGBoost 6.LightGBM 堆叠模型 平均基本模型

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：456kb
    • 提供者：weixin_42099070

  1. HungaBunga：HungaBunga：使用.fit .predict强制使用所有参数对所有sklearn模型进行强制！-源码

  2. 洪加邦加 暴力破解所有scikit-learn模型和所有scikit-learn参数，并带有fit预言。 让所有sklearn参数强行使用所有sklearn模型！ Ahhh Hunga Bunga !! from hunga_bunga import HungaBungaClassifier , HungaBungaRegressor 然后简单地： 什么？ 是。 没有！ 真！ 什么？ 许多人认为 监督型（非深度）机器学习的大部分工作都在特征工程中，而模型选择过程仅在所有模型中运行，或者仅使

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：172kb
    • 提供者：weixin_42134240

  1. 基于多维局部二值模式和XGBoost的轻量谱线删除法

  2. 由于在手写乐谱中搜索谱线位置比较困难，为提高乐谱谱线删除算法的稳健性，提出了一种基于多维局部二值模式识别和XGBoost模型的手写乐谱谱线删除方法。根据乐谱图像的特点，设计并改进局部二值模式算子，提取乐谱图像中的多维局部二值模式特征算子，组成高维特征向量，再选择最优的XGBoost模型来识别乐谱谱线位置，进而删除谱线。研究结果表明，该方法在测试数据上的F-measure为97.19%，说明其具有很高的准确率和召回率；而在三个不同子测试集上的F-measure分别为96.43%，98.36%和96

  3. 所属分类：其它

  1. 基于XGBoost的特征选择算法

  2. 分类问题中的特征选择一直是一个重要而又困难的问题。这类问题中要求特征选择算法不仅能够帮助分类器提高分类准确率，同时还要尽可能地减少冗余特征。因此，为了在分类问题中更好地进行特征选择，提出了一种新型的包裹式特征选择算法XGBSFS。该算法借鉴极端梯度提升（XGBoost）算法中构建树的思想过程，通过从3个重要性度量的角度来衡量特征的重要性，避免单一重要性度量的局限性；然后通过改进的序列浮动前向搜索策略（ISFFS）搜索特征子集，使最终得到的特征子集有较高的质量。在8个UCI数据集的对比实验中表明，

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：647kb
    • 提供者：weixin_38688380

  1. Data-Science:R中的EDA和机器学习模型（回归，分类，聚类，SVM，决策树，随机森林，时间序列分析，推荐系统，XGBoost）-源码

  2. EDA和ML项目 存储库包含各种项目，这些项目都使用R语言编写了以下代码： 探索性数据分析 机器学习模型（线性回归，逻辑回归，k均值聚类，分层聚类，SVM，决策树，随机森林，时间序列分析，XGBoost） 以下是一些常用的程序包/库的列表，这些程序包/库被用作数据分析和构建机器学习模型的一部分 数据处理： dplyr，plyr，tidyr，stringer，data.table，lubridate（用于日期处理）， 数据可视化： ggplot2，cowplot，ggthemes，比例 ML模型：

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：26mb
    • 提供者：weixin_42135462