信息加载中,请等待...

  • 110：讲解XGBOOST之前回顾有监督机器学习_ev.mp4
  • 111：讲解XGBOOST之前回顾目标式的基于决策树的集成学习_ev.mp4
  • 112：讲解XGBOOST目标函数_里面包含了正则项_ev.mp4
  • 113：讲解XGBOOST目标函数_本质使用泰勒展开二阶去逼近_ev.mp4
  • 114：简化XGBOOST目标函数_引入了gi_hi这两个符号_ev.mp4
  • 115：换一种方式表达一颗树_ev.mp4
  • 116：把复杂度部分带入XGBOOST目标函数并简化_ev.mp4
  • 117：XGBOOST的最终目标函数形式和叶子节点上分值的形式_ev.mp4
  • 118：回顾推导出来的W和Obj公式的作用_ev.mp4
  • 119：在训练下一颗树的时候已经会根据上一时刻整体的结果来去计算每个样本的g和h_ev.mp4
  • 120：具体根据收益公式来去贪婪的生长出每一颗决策树_ev.mp4
  • 121：后续关于计算的优化_离散变量_剪枝_ev.mp4
  • 122：总结了xgboost流程_对样本自身带权重值xgboost如何解决_ev.mp4
  • 123：总结xgboost需要理解的一些点_ev.mp4
  • 124：xgboost和GBDT区别_ev.mp4
  • 125：关于xgboost的安装_ev.mp4
  • 126：对数据集预处理做前期准备_ev.mp4
  • 127：对数据集预处理_去掉数值种类非常多的city字段_出生日期转换为年龄_空值太多把维度变成01编码_ev.mp4
  • 128：对数据集预处理_填充其它的空值_对某些维度连续性数据的离散化_ev.mp4
  • 129：字符串的数值化_离散型数据one-hot编码_重新分为训练和测试_落地保存_ev.mp4
  • 130：读取处理好的数据_给定一些xgboost需要的超参数_ev.mp4
  • 131：调用xgboost来训练模型_可以选择去使用CV交叉验证得到合适的超参数_ev.mp4
  • 132：调整xgboost一些超参数来提升模型的ACC和AUC_ev.mp4
  • 代码.rar

Copyright © 免费制作

1.本站不存储真实文件，仅展示文件信息。
2.用户自主配置内容，包括但不限于文件夹、链接、关联网盘等，不代表本站立场。
3.本站以文本、图片展示内容，无法及时审核其合法性。发现侵权内容，请提供资质及链接给客服，将立即移除。
官网：pan.tpym.cn 微信：fffin77
确定