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. Gpu版lightgbm的免编译安装文件

  2. 微软新开源的轻量级、高效率梯度提升树lightgbm工具。已经编译好windows-gpu版本。安装cuda和cudnn后，直接运行"python install -e ." 即可使用。

  3. 所属分类：机器学习

    • 发布日期：2018-06-15
    • 文件大小：94371840
    • 提供者：lujian45

  1. 机器学习基础20171125.pptx

  2. 机器学习基础20171125.pptx 1.机器学习定义、前沿成果、基础方法 2. 监督学习 线性回归、逻辑回归、梯度提升树（ gradient boosting decision trees ） 优化方法 3. 神经网络原理讲解与实践 Multi-layer perceptron: keras 反向传播、激活函数、dropout及其他相关知识点 Convolutional neural network: keras Recurrent neural network: keras 4. 强

  3. 所属分类：专业指导

    • 发布日期：2019-01-27
    • 文件大小：3145728
    • 提供者：bhsr12

  1. Python-GradientBoostedTrees的一个简单的纯Python实现

  2. TinyGBT（Tiny Gradient Boosted Trees）是用200行纯Python代码编写的梯度提升树实现。

  3. 所属分类：其它

    • 发布日期：2019-08-11
    • 文件大小：436224
    • 提供者：weixin_39840515

  1. 树模型论文汇总.zip

  2. xgboost、lightgbm、catboost论文汇总。 XGBoost[1]是2014年2月诞生的专注于梯度提升算法的机器学习函数库，此函数库因其优良的学习效果以及高效的训练速度而获得广泛的关注。仅在2015年，在Kaggle[2]竞赛中获胜的29个算法中，有17个使用了XGBoost库，而作为对比，近年大热的深度神经网络方法，这一数据则是11个。在KDDCup 2015 [3]竞赛中，排名前十的队伍全部使用了XGBoost库。XGBoost不仅学习效果很好，而且速度也很快，相比梯度提升

  3. 所属分类：机器学习

    • 发布日期：2019-08-13
    • 文件大小：2097152
    • 提供者：qq_22866291

  1. cpp-CatBoost一种基于梯度提升决策树的机器学习方法

  2. CatBoost 一种基于梯度提升决策树的机器学习方法。CatBoost is a machine learning method based on gradient boosting over decision trees。

  3. 所属分类：其它

    • 发布日期：2019-08-16
    • 文件大小：203423744
    • 提供者：weixin_39840924

  1. 集成算法.ipynb

  2. 集成学习（Ensemble learning）就是将若干个弱分类器通过一定的策略组合之后产生一个强分类 器，是时下非常流行的机器学习算法，它本身不是一个单独的机器学习算法，而是通过在数据上构建多 个模型，集成所有模型的建模结果。基本上所有的机器学习领域都可以看到集成学习的身影，在现实中 集成学习也有相当大的作用，它可以用来做市场营销模拟的建模，统计客户来源，保留和流失，也可用 来预测疾病的风险和病患者的易感性。在现在的各种算法竞赛中，随机森林，梯度提升树（GBDT）， XGBoost等集成算法

  3. 所属分类：机器学习

    • 发布日期：2019-09-17
    • 文件大小：494592
    • 提供者：weixin_45469056

  1. 树模型学习笔记整理

  2. 树模型学习笔记整理一、原理二、特征选择2.1信息增益2.2信息增益比三、生成算法3.1 ID3算法3.2 C4.5的生成算法四、决策树的剪枝五、CART算法5.1 CART生成5.2 分类树的生成5.3 CART剪枝六、提升树6.1 AdaBoost算法6.2 提升树6.2.1 提升树模型6.2.2 提升树算法6.2.3 梯度提升6.2.4 随机森林 VS 梯度提升树6.3 xgboost6.3.1 结构分6.3.2 分解结点6.3.2.1 贪心算法6.3.2.2 近似算法6.3.3 加权分桶6

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：189440
    • 提供者：weixin_38605144

  1. Predicting_rental_price_Morocco:通过尝试线性算法（普通最小二乘和套索算法），基于树的算法和集成算法（随机森林回归和梯度提升），从摩洛哥公告网站（mubawab.ma）的提取数据集（使用BeautifulSou

  2. Predicting_rental_price_Morocco:通过尝试线性算法（普通最小二乘和套索算法），基于树的算法和集成算法（随机森林回归和梯度提升），从摩洛哥公告网站（mubawab.ma）的提取数据集（使用BeautifulSoup进行网页抓取）中创建回归模型回归）并使用网格搜索来优化Gradient Boosting回归超参数

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：548864
    • 提供者：weixin_42176827

  1. ytk-learn:Ytk-learn是一个分布式机器学习库，实现了大多数流行的机器学习算法（GBDT，GBRT，混合逻辑回归，梯度提升软树，分解机，现场感知分解机，逻辑回归，Softmax）-源码

  2. Ytk-learn是一个分布式机器学习库，它实现了大多数流行的机器学习算法。 它运行在单，多台机器和大型分布式环境（Hadoop，火花），并支持主流的操作系统（Linux操作系统，在Windows，Mac OS），分布式环境中的通信是基于上实现这是纯Java的，MPI-像消息传递界面。 特征 支持大多数操作系统：Linux，Mac OS，Windows 支持各种平台：单机，通用集群，hadoop，spark 支持本地文件系统和hdfs文件系统 提供统一的文件系统界面，并且可以轻松地应用于其他

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：1009664
    • 提供者：weixin_42108778

  1. 如何在MLlib中实现随机森林和梯度提升树（GBTs）？

  2. Spark1.2在MLlib中引入了随机森林和梯度提升树(GBTs).这两种机器学习方法适用于分类和回归，且是在机器学习算法中应用得最多和最成功的算法。随机森林和GBTs都是集成学习算法，它们通过集成多棵决策树来实现强分类器。这篇博文中，我们会阐述这些模型及其他们在MLlib中的分布式实现。我们也给出一些简单例子和要点以便你知道如何上手。简单来说，集成学习方法就是基于其他的机器学习算法，并把它们有效的组合起来的一种机器学习算法。组合产生的算法相比其中任何一种算法模型更强大、准确。在MLlib1.

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：437248
    • 提供者：weixin_38519849

  1. AdaboostOnMNIST：这是Adaboost算法的实现，它使用两个不同的弱学习器从头开始实施：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测

  2. AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：2048
    • 提供者：weixin_42122986

  1. KiGB：知识密集型梯度提升：用于学习梯度的统一框架增强了用于回归和分类任务的决策树，同时利用人工建议来实现更好的性能-源码

  2. KiGB：知识密集型梯度提升 长期以来，在AI内部已经纳入了包括定性约束（例如单调和协同影响）在内的更丰富的人类输入。 受此启发，我们考虑了在成功的梯度增强框架中使用此类影响力陈述的问题。 我们为分类和回归设置开发了一个统一的框架，该框架可以有效地合并这些约束，以加快学习速度，从而建立更好的模型。 我们在大量标准域和两个特别新颖的现实域中的结果证明了使用域知识而不是将人类视为单纯的标记者的优越性。 KiGB是一个统一的框架，用于学习用于梯度回归和分类任务的梯度增强决策树，同时利用人工建议来实现

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：4194304
    • 提供者：weixin_42114046

  1. 令人敬畏的梯度增强论文：梯度增强研究论文的精选清单和实现-源码

  2. 令人敬畏的梯度提升研究论文。 精选的梯度和自适应增强论文列表，包括以下会议的实现： 机器学习 计算机视觉 自然语言处理 数据 人工智能 关于，，，和论文的类似集合以及实现。 2020年 知识密集型梯度提升的统一框架：利用人类专家开发嘈杂的稀疏域（AAAI 2020） Harsha Kokel，Phillip Odom，Shuo Yang，Sraraam Natarajan 实用联合梯度提升决策树（AAAI 2020） 李勤彬，温则宜，何炳生 隐私保护梯度提升决策树（AAAI

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：893952
    • 提供者：weixin_42099815

  1. 很棒的决策树论文：有关决策树，分类树和回归树的研究论文集以及实施-源码

  2. 很棒的决策树研究论文 精选的决策，分类和回归树研究论文清单，包括来自以下会议的实现： 机器学习 计算机视觉 自然语言处理 数据 人工智能 关于，，，和论文的类似集合以及实现。 2020年 DTCA：可解释的索赔验证基于决策树的共同注意网络（ACL 2020） 吴连伟，袁Yuan，赵永强，梁浩，安布琳·纳齐尔 隐私保护梯度提升决策树（AAAI 2020） 李勤彬，吴兆敏，温则宜，何炳生 实用联合梯度提升决策树（AAAI 2020） 李勤彬，温则宜，何炳生 最优决策树的有效推

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：47104
    • 提供者：weixin_42168902

  1. LightGBM：基于决策树算法的快速，分布式，高性能梯度提升（GBT，GBDT，GBRT，GBM或MART）框架，用于排名，分类和许多其他机器学习任务-源码

  2. 渐变光机 LightGBM是使用基于树的学习算法的梯度增强框架。 它被设计为分布式且高效的，具有以下优点： 训练速度更快，效率更高。 降低内存使用率。 更好的准确性。 支持并行和GPU学习。 能够处理大规模数据。 有关更多详细信息，请参阅。 受益于这些优势，LightGBM被广泛用于许多机器学习竞赛的中。 在公共数据集上进行的表明，LightGBM可以在效率和准确性上均优于现有的Boosting框架，并且显着降低了内存消耗。 此外， 表明，LightGBM可通过使用多台机器进行

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：7340032
    • 提供者：weixin_42104366

  1. xgboost：可扩展的，可移植的和分布式的梯度提升（GBDT，GBRT或GBM）库，适用于Python，R，Java，Scala，C ++等。 在单机，Hadoop，Spark，Dask，Flink和DataFlow上运行-源码

  2. 极限梯度提升 | | | | XGBoost是经过优化的分布式梯度增强库，旨在高效，灵活且可移植。 它在框架下实现了机器学习算法。 XGBoost提供了并行树增强（也称为GBDT，GBM），可以快速准确地解决许多数据科学问题。 相同的代码在主要的分布式环境（Kubernetes，Hadoop，SGE，MPI，Dask）上运行，并且可以解决数十亿个示例之外的问题。 执照 :copyright:Contributors，2019年。根据许可进行许可。 贡献给XGBoost XGBoost已由一

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：1048576
    • 提供者：weixin_42116672

  1. 如何在MLlib中实现随机森林和梯度提升树（GBTs）？

  2. Spark1.2在MLlib中引入了随机森林和梯度提升树(GBTs).这两种机器学习方法适用于分类和回归，且是在机器学习算法中应用得最多和最成功的算法。随机森林和GBTs都是集成学习算法，它们通过集成多棵决策树来实现强分类器。这篇博文中，我们会阐述这些模型及其他们在MLlib中的分布式实现。我们也给出一些简单例子和要点以便你知道如何上手。简单来说，集成学习方法就是基于其他的机器学习算法，并把它们有效的组合起来的一种机器学习算法。组合产生的算法相比其中任何一种算法模型更强大、准确。在MLlib1.

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：437248
    • 提供者：weixin_38601390

  1. 集成分类器单细胞测序 python3机器学习 单一决策树、随机森林分类器、梯度提升决策树

  2. 原理： 决策树生成算法： 是递归地生成决策树，它往往分类精细，对训练数据集分类准确，但是对未知数据集却没有那么准确，有比较严重的过拟合问题。因此，为了简化模型的复杂度，使模型的泛化能力更强，需要对已生成的决策树进行剪枝。 集成分类算法： 集成（Ensemble）分类模型综合考量多个分类器的预测结果，从而做出决策。 随机森林分类器用相同的训练数据同时搭建多个独立的分裂模型，然后通过投票的方式，以少数服从多数的原则作出最终分类的决策。在相同的训练数据上同时搭建多棵决策树，每棵决策树会放弃固定的排序算

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：282624
    • 提供者：weixin_38738977

  1. 基于树模型的虚拟测量算法在半导体制造中的应用

  2. 半导体制造是一个大批量多阶段生产的系统，工艺技术复杂、工序步骤繁多，稍有不慎就可能使晶圆的表面和内部产生缺陷，从而影响生产的质量和效率。将半导体制造业和互联网技术相结合，可以提高生产制造的效率和质量，降低成本和损耗。本文将进行数据采集和预处理，从数据中选择并提取出重要特征，并使用树模型中随机森林和梯度提升树两种算法来实现W plug中对电阻率的虚拟测量。实验结果表明，本文提出的方法与传统算法相比，测量误差减少近50%，能够准确预测出生产过程中电阻率变化的趋势，捕获到异常点；在实际的生产环境之中可

  3. 所属分类：其它

    • 发布日期：2021-01-12
    • 文件大小：1048576
    • 提供者：weixin_38748721

  1. 基于梯度提升树的短期用电负荷预测系统设计

  2. 为了解决传统短期用电负荷预测系统存在响应时间慢、预测精度差的问题，设计了一种基于梯度提升树的短期用电负荷预测系统。该系统框架采用C/S架构模式搭建，根据预测需求选择系统的组成硬件，并以梯度提升树为核心，建立预测模型，完成系统软件及短期用电负荷预测系统的设计。实验结果表明，与基于神经网络、数据挖掘、支持向量机的三种传统用电负荷预测系统相比，本系统运行下，响应时间缩短，预测精度提高，为电力企业电量生产和供应提供了可靠的依据。

  3. 所属分类：其它

    • 发布日期：2021-01-12
    • 文件大小：1048576
    • 提供者：weixin_38752907
« 12 3 4 »