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. 陈天奇xgboost 论文+PPT讲解

  2. xgboost是陈天奇大牛新开发的Boosting库。它是一个大规模、分布式的通用Gradient Boosting（GBDT）库，它在Gradient Boosting框架下实现了GBDT和一些广义的线性机器学习算法。

  3. 所属分类：机器学习

    • 发布日期：2017-11-26
    • 文件大小：2097152
    • 提供者：sinat_35512245

  1. 机器学习工程师从算法基础到实战案例

  2. 【课程内容】 第一阶段：Python数据分析与建模库 Python快速入门 科学计算库Numpy 数据分析处理库Pandas 可视化库Matplotlib Seaborn可视化库 第二阶段：机器学习经典算法 回归算法 决策树与随机森林 贝叶斯算法 Xgboost 支持向量机算法 时间序列AIRMA模型 神经网络基础 神经网络架构 PCA降维与SVD矩阵分解 聚类算法 推荐系统 Word2Vec 第三阶段：机器学习案例实战 使用Python分析科比生涯数据 案例实战-信用卡欺诈检测 Python

  3. 所属分类：机器学习

    • 发布日期：2018-03-14
    • 文件大小：76
    • 提供者：u013844840

  1. python机器学习库xgboost的使用

  2. 主要介绍了python机器学习库xgboost的使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

  3. 所属分类：其它

    • 发布日期：2020-09-18
    • 文件大小：125952
    • 提供者：weixin_38698018

  1. projects:机器学习项目-源码

  2. 机器学习项目 我的机器学习项目包括： -从零开始进行Logistic回归以对手写数字1和数字5进行分类-通过使用libsvm库提供给定数据的SVM -具有线性回归的汽车的销售价格预测-PCA从头开始，k-均值从头开始-通过使用不同的模型进行多类分类-通过使用不同的模型来确定期限存款Scrath的高斯混合期望最大化算法随机梯度下降从零开始的逻辑回归-使用textgenrnn库生成文本Xgboost和Catboost的欺诈检测

  3. 所属分类：其它

    • 发布日期：2021-03-26
    • 文件大小：3145728
    • 提供者：weixin_42104906

  1. Machine_Learning_Code:《统计学习方法》与常见机器学习模型（GBDTXGBoostlightGBMFMFFM）的原理讲解与python和类库实现-源码

  2. 机器学习模型的python与类库实现 本repo以李航博士的《统计学习方法》为路线，逐章讲解并实现其中所有的算法；从而，再加上常用的机器学习模型，例如GBDT，XGBoost，Light GBM，FM，FFM等，力争将传统的机器学习方法能够融汇互换 :party_popper: 。 统计学习方法｜感知机模型 模型理论讲解： 模型代码实现： ， 统计学习方法｜ K近邻 模型理论讲解： 模型代码实现： ， 统计学习方法｜朴素贝叶斯 模型理论讲解： 模型代码实现： ， 统计学习方法｜

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：24117248
    • 提供者：weixin_42131861

  1. imldiff:使用可解释机器学习解释分类器之间的差异-源码

  2. 使用可解释机器学习解释分类器之间的差异 要求 Python 3.9环境 软件包shap需要在Mac上使用llvm版本8、9或10，并使用以下命令安装： brew install llvm9 && echo 'export PATH="/usr/local/opt/llvm9/bin:$PATH"' >> ~/.zshrc 软件包xgboost需要Mac上的LLVM的OpenMP运行时库，安装方式为： brew install libomp 安装 pip install -r req

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：30408704
    • 提供者：weixin_42126399

  1. 加利福尼亚住房数据集：将机器学习建模应用于加利福尼亚住房数据集-源码

  2. 加州住房数据集 开发了机器学习模型来预测加利福尼亚住房数据集的中位数房屋价值特征。 使用了三种算法：线性回归，XGBoost和TensorFlow / Keras神经网络。 在模型训练之前进行了要素工程，包括Z分数归一化，对数缩放，要素添加（总卧室与总房间的比率），要素修剪和要素合并以及经度和纬度的交叉。 对于所有这三种算法，均使用工程特征的不同组合绘制R平方图，以观察有效性。 然后，根据算法以图形方式编辑这些图，以便于比较。 下面提供了每种算法的图例，这些图例将数值链接到一组工程特征。

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：34603008
    • 提供者：weixin_42122878

  1. ML_Project：机器学习项目：预测Instagram帖子的宜人性-源码

  2. 机器学习项目 这是我的机器学习课程的机器学习项目的存储库。 该项目将尝试预测instagram帖子的可喜程度。 那么，什么使instagram帖子更受欢迎？ Instagram是一个非常强大的平台，今天的许多趋势都受到instagram的影响。 随着社交网络和内容共享的规模和数量继续快速增长，预测社交媒体内容的普及已成为具有许多潜在应用程序的重要社交问题。 这将通过使用XGBoost回归模型和多层感知器神经网络来完成。 该项目的灵感来自Guilherme Regos Zamorano和Coren

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：267264
    • 提供者：weixin_42107165

  1. 波士顿房屋价格预测使用回归：用于波士顿房屋价格预测的机器学习网络应用-源码

  2. 波士顿房屋价格预测使用回归 这是一个使用波士顿住房数据集的预测房价的应用机器学习项目。 文件夹“笔记本”包含文件linearRegression.ipynb，pymachineproject.ipynb，RandomForrestRegressor.ipynb。 这些Jupyter Notebook文件包含预处理后在波士顿房屋数据集上分别用于训练，评估和最终测试机器学习模型“线性回归”，“ XGBoost回归”，“ Randomforrest回归”所需的全部代码。 File app.py包

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：985088
    • 提供者：weixin_42140625

  1. sagemaker-debugger：Amazon SageMaker Debugger提供的功能可以在训练机器学习作业期间保存张量并分析这些张量-源码

  2. Amazon SageMaker调试器 目录 总览 自动执行机器学习培训作业的调试过程。 在训练工作中，Debugger允许您使用Debugger内置功能Hook和Rule来运行自己的训练脚本（零脚本更改经验）以捕获张量，可以灵活地构建自定义的Hook和Rule以根据需要配置张量，以及通过保存在存储桶中，通过灵活而强大的API，使张量可用于分析。 在训练作业期间， smdebug库通过从S3存储桶调用保存的张量来为Debugger供电。 smdebug检索并过滤从调试器生成的张量，例如渐变，权

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：2097152
    • 提供者：weixin_42168265

  1. 机器学习-源码

  2. 机器学习 该存储库包含我们为IE 583机器学习中的最终项目所做的R代码。 在这个项目中，我们 应用XGBoost和Random Forest来预测用户在点击移动应用广告后是否将下载应用 预计点击将以0.989的准确度（灵敏度）结束而不进行下载，而点击将以0.84的准确度（特异性）进行下载而结束

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：402432
    • 提供者：weixin_42107491

  1. pycaret：Python中的开源，低代码机器学习库-源码

  2. PyCaret 2.2 什么是PyCaret？ PyCaret是Python中的开源低代码机器学习库，可自动执行机器学习工作流程。 它是一种端到端的机器学习和模型管理工具，可以成倍地加快实验周期，并使您的工作效率更高。 与其他开源机器学习库相比，PyCaret是一个备用的低代码库，可用于仅用很少的单词替换数百行代码。 这使得实验快速而有效地成指数增长。 PyCaret本质上是Python的包装器，它围绕着多个机器学习库和框架，例如scikit-learn，XGBoost，LightGBM，C

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：32505856
    • 提供者：weixin_42175516

  1. deepdetect：C ++ 11中的深度学习API和服务器对Caffe，Caffe2，PyTorch，TensorRT，Dlib，NCNN，Tensorflow，XGBoost和TSNE的支持-源码

  2. 开源深度学习服务器和API DeepDetect（ ）是用C ++ 11编写的机器学习API和服务器。 它使最先进的机器学习易于使用并集成到现有应用程序中。 它支持训练和推理，并通过TensorRT（NVidia GPU）和NCNN（ARM CPU）自动转换为嵌入式平台。 它实现了对图像，文本，时间序列和其他数据的有监督和无监督深度学习的支持，重点是简单性和易用性，测试以及与现有应用程序的连接。 它支持分类，对象检测，分段，回归，自动编码器，... 并且它通过非常通用且灵活的API依赖于

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：6291456
    • 提供者：weixin_42140710

  1. benchm-ml：用于二进制分类的顶级机器学习算法（随机森林，Rus，Python scikit-learn，H2O，xgboost，Spark MLlib等）的可扩展性，速度和准确性的最低基准。梯度增强树，深度神经网络等）-源码

  2. 用于分类的机器学习库的可伸缩性，速度和准确性的简单/有限/不完整基准 所有基准都是错误的，但有些是有用的 该项目旨在为一些机器学习算法的常用实现的可伸缩性，速度和准确性提供一个最低基准。 这项研究的目标是使用数字和分类输入（具有有限的基数，即不是很稀疏）并且没有丢失的数据进行二进制分类，这可能是业务应用程序中最常见的问题（例如，信用评分，欺诈检测或客户流失预测）。 如果输入矩阵的大小为n x p ，则n的变化范围为10K，100K，1M，10M，而p为〜1K（在将分类扩展为伪变量/一次编码后）。

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：313344
    • 提供者：weixin_42134537

  1. adversarial-robustness-toolbox：adversarial-robustness-toolbox（ART）-用于机器学习安全性的Python库-规避，中毒，提取，推理-源码

  2. 对抗性鲁棒性工具箱（ART）v1.5 对抗性鲁棒性工具箱（ART）是用于机器学习安全性的Python库。 ART提供的工具使开发人员和研究人员可以针对逃避，中毒，提取和推理的对抗性威胁捍卫和评估机器学习模型和应用程序。 ART支持所有流行的机器学习框架（TensorFlow，Keras，PyTorch，MXNet，scikit-learn，XGBoost，LightGBM，CatBoost，GPy等），所有数据类型（图像，表格，音频，视频等）和机器学习任务（分类，对象检测，语音识别，生成，认证等

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：35651584
    • 提供者：weixin_42144707

  1. NYTaxi_XG_Boost_Challenge-kaggle_challenge：我正在尝试NYC出租车持续时间预测Kaggle挑战。 我将结合使用Pandas，Matplotlib和XGBoost作为python库，以帮助我理解和分析

  2. Nyc-Taxi-Kaggle-挑战 目标 Kaggle竞赛预测纽约出租车的行驶时间。 该项目的报告在capstone.pdf。 （在这个项目中，我提供了许多链接，如果您是初学者，可以通过这些链接来弄清楚您的概念，如果不理解的话，可以通过project和readme中提供的链接和pdf来了解。） 问题陈述 在本报告中，我们使用来自纽约市出租车和高级轿车委员会的数据来考察Kaggle竞赛，该竞赛要求竞争对手预测纽约市出租车旅行的总行驶时间（trip_duration）。 Kaggle提供的数据是作

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：24117248
    • 提供者：weixin_42151305

  1. h2o-3：H2O是一个开源，分布式，快速且可扩展的机器学习平台：深度学习，梯度提升（GBM）和XGBoost，随机森林，广义线性建模（带有弹性网的GLM），K均值，PCA，广义附加模型（GAM），RuleFit，支持向量机（SVM），堆叠

  2. 水 H2O是用于分布式，可扩展的机器学习的内存平台。 H2O使用熟悉的界面（例如R，Python，Scala，Java，JSON和Flow笔记本/网络界面），并与Hadoop和Spark等大数据技术无缝协作。 H2O提供了许多流行实现，例如广义线性模型（GLM），梯度提升机（包括XGBoost），随机森林，深层神经网络，堆叠体，朴素贝叶斯，广义加性模型（GAM），考克斯比例危害，K-表示PCA，Word2Vec以及全自动机器学习算法（ ）。 H2O是可扩展的，因此开发人员可以添加自己选择的

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：92274688
    • 提供者：weixin_42126668

  1. seldon-server：基于Kubernetes构建的机器学习平台和推荐引擎-源码

  2. 2018年1月更新 。 Seldon Core完全专注于在Kubernetes上部署各种ML模型，从而允许在生产中管理复杂的运行时服务图。 Seldon Core是Seldon-Server项目目标的一个进展，但更侧重于解决为生产中的模型提供服务的机器学习项目的最后一步。 请查看，其中包含大量文档，以进行进一步调查。 Seldon服务器：* *存档* * 该项目没有得到积极维护，请参阅 。 Seldon Server是一个机器学习平台，可帮助您的数据科学团队将模型部署到生产中。 它提供了一

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：1048576
    • 提供者：weixin_42164685

  1. python机器学习库xgboost的使用

  2. 1.数据读取 利用原生xgboost库读取libsvm数据 import xgboost as xgb data = xgb.DMatrix(libsvm文件) 使用sklearn读取libsvm数据 from sklearn.datasets import load_svmlight_file X_train,y_train = load_svmlight_file(libsvm文件) 使用pandas读取完数据后在转化为标准形式 2.模型训练过程 1.未调参基线模型

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：125952
    • 提供者：weixin_38752897

  1. Hypernets:通用自动化机器学习框架，可简化特定领域中端到端AutoML工具包的开发-源码

  2. 超级网 Hypernets：通用的自动机器学习框架 Hypernets是一个通用的AutoML框架，在此基础上，它可以为各种机器学习框架和库实现自动优化工具，包括深度学习框架（如tensorflow，keras，pytorch）和机器学习库（如sklearn，lightgbm，xgboost等）。考虑到超参数优化和神经体系结构搜索（NAS）的要求，引入了抽象搜索空间表示形式，使Hypernets成为可适应各种自动化机器学习需求的通用框架。 概述 概念模型 搜索空间插图 安装 pip instal

  3. 所属分类：其它

    • 发布日期：2021-03-31
    • 文件大小：5242880
    • 提供者：weixin_42137539
« 12 3 »