建模与调参 学习目标 掌握机器学习模型的建模与调参过程 内容介绍 线性回归模型： 线性回归对于特征的要求； 处理长尾分布； 理解线性回归模型； 模型性能验证： 评价函数与目标函数； 交叉验证方法； 留一验证方法； 针对时间序列问题的验证； 绘制学习率曲线； 绘制验证曲线； 嵌入式特征选择： Lasso回归； Ridge回归； 决策树； 模型对比： 常用线性模型； 常用非线性模型； 模型调参： 贪心调参方法； 网格调参方法； 贝叶斯调参方法； 代码示例 import pandas as pd i

内容介绍 线性回归模型： 线性回归对于特征的要求； 处理长尾分布； 理解线性回归模型； 模型性能验证： 评价函数与目标函数； 交叉验证方法； 留一验证方法； 针对时间序列问题的验证； 绘制学习率曲线； 绘制验证曲线； 嵌入式特征选择： Lasso回归； Ridge回归； 决策树； 模型对比： 常用线性模型； 常用非线性模型； 模型调参： 贪心调参方法； 网格调参方法； 贝叶斯调参方法； 相关原理介绍与推荐 线性回归模型：https://zhuanlan.zhihu.com/p/49480391

四、建模与调参 4.1 线性回归模型： 线性回归对于特征的要求； 处理长尾分布； 理解线性回归模型； 4.2 模型性能验证： 评价函数与目标函数； 交叉验证方法； 留一验证方法； 针对时间序列问题的验证； 绘制学习率曲线； 绘制验证曲线； 4.3 嵌入式特征选择： Lasso回归； Ridge回归； 决策树； 4.4 模型对比： 常用线性模型； 常用非线性模型； 4.5 模型调参： 贪心调参方法； 网格调参方法； 贝叶斯调参方法； 下面节选一些我学习比较多的地方进行记录： 4.1.1 线性回归

ridge_regression 用于岭回归的python代码（已实现以预测下个月的CO2浓度） 资料可用性 文件 Ridge.py ：标准函数和Ridge回归函数window_make.py ：使用滑动窗口方法制作大小为p（窗口大小）的时间序列列表。 Final_version.ipynb ：使用Co2数据对代码进行实验