-
-
110：讲解XGBOOST之前回顾有监督机器学习.mp4
-
110：讲解XGBOOST之前回顾有监督机器学习【学习】.mp4
-
111：讲解XGBOOST之前回顾目标式的基于决策树的集成学习.mp4
-
111：讲解XGBOOST之前回顾目标式的基于决策树的集成学习【学习】.mp4
-
112：讲解XGBOOST目标函数_里面包含了正则项.mp4
-
112：讲解XGBOOST目标函数_里面包含了正则项【学习】.mp4
-
113：讲解XGBOOST目标函数_本质使用泰勒展开二阶去逼近.mp4
-
113：讲解XGBOOST目标函数_本质使用泰勒展开二阶去逼近【学习】.mp4
-
114：简化XGBOOST目标函数_引入了gi_hi这两个符号.mp4
-
114：简化XGBOOST目标函数_引入了gi_hi这两个符号【学习】.mp4
-
115：换一种方式表达一颗树.mp4
-
115：换一种方式表达一颗树【学习】.mp4
-
116：把复杂度部分带入XGBOOST目标函数并简化.mp4
-
116：把复杂度部分带入XGBOOST目标函数并简化【学习】.mp4
-
117：XGBOOST的最终目标函数形式和叶子节点上分值的形式.mp4
-
117：XGBOOST的最终目标函数形式和叶子节点上分值的形式【学习】.mp4
-
118：回顾推导出来的W和Obj公式的作用.mp4
-
118：回顾推导出来的W和Obj公式的作用【学习】.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.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【学习】.mp4
-
120：具体根据收益公式来去贪婪的生长出每一颗决策树.mp4
-
120：具体根据收益公式来去贪婪的生长出每一颗决策树【学习】.mp4
-
121：后续关于计算的优化_离散变量_剪枝.mp4
-
121：后续关于计算的优化_离散变量_剪枝【学习】.mp4
-
122：总结了xgboost流程_对样本自身带权重值xgboost如何解决.mp4
-
122：总结了xgboost流程_对样本自身带权重值xgboost如何解决【学习】.mp4
-
123：总结xgboost需要理解的一些点.mp4
-
123：总结xgboost需要理解的一些点【学习】.mp4
-
124：xgboost和GBDT区别.mp4
-
124：xgboost和GBDT区别【学习】.mp4
-
125：关于xgboost的安装.mp4
-
125：关于xgboost的安装【学习】.mp4
-
126：对数据集预处理做前期准备.mp4
-
126：对数据集预处理做前期准备【学习】.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.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【学习】.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.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【学习】.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.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【学习】.mp4
-
130：读取处理好的数据_给定一些xgboost需要的超参数.mp4
-
130：读取处理好的数据_给定一些xgboost需要的超参数【学习】.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.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【学习】.mp4
-
132：调整xgboost一些超参数来提升模型的ACC和AUC.mp4
-
132：调整xgboost一些超参数来提升模型的ACC和AUC【学习】.mp4
-
代码.rar
-