主页
/
7.【Deepseek】视频文档学习教程
/
2025AI人工智能课程精选
/
AI算法工程师就业班
/
08、机器学习-决策树系列
/
章节4：XGBoost
/
46：回顾有监督机器学习三要素.mp4
47：Bias_Variance_Trade-off.mp4
48：基于树集成学习4个优点.mp4
49：回顾基于树集成学习的模型和参数并举例说明.mp4
50：通过目标函数Obj来达到准确率和复杂度平衡.mp4
51：Objective_vs_Heuristic.mp4
52：得出XGBoost最开始的Obj目标函数.mp4
53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4
54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4
55：重新定义树ft和树的复杂度Ω.mp4
56：由每个叶子节点重组目标函数Obj.mp4
57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4
58：根据Obj收益指导每一次分裂从而学习一棵树结构.mp4
59：举例说明从连续型和离散型变量中寻找最佳分裂条件.mp4
60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4
61：样本权重对于模型学习的影响.mp4
62：总结XGBoost的特性_包括缺失值的处理策略.mp4
© 2026
⚠
信息加载中,请等待...
