Alternatives and similar repositories for Stacking

Users that are interested in Stacking are comparing it to the libraries listed below

• ShaoQiBNU / stacking
  集成学习Stacking方法详解
  ☆75Updated 5 years ago
• rogeroyer / feature_selection_GAAlgorithm
  基于遗传算法的特征选择
  ☆127Updated 5 years ago
• weepon / feature_selection
  常用的特征选择方法
  ☆68Updated 3 years ago
• angeliababy / houseprice_regression
  数据特征工程、各种机器学习回归模型、回归数据预处理
  ☆44Updated 5 years ago
• aflyingpig0226 / feature-engineering
  机器学习的特征工程，包括特征抽取、特征预处理、特征选择、特征降维。
  ☆25Updated 6 years ago
• coder23263 / Machine_learning_prediction_system
  机器学习预测系统汇总：包括贝叶斯网络、马尔科夫模型、线性回归、岭回归、多项式回归、决策树回归、深度神经网络预测
  ☆77Updated 5 years ago
• jia-zhuang / xgboost-lightgbm-hyperparameter-tuning
  Bayesian Optimization and Grid Search for xgboost/lightgbm
  ☆74Updated 5 months ago
• BackyardofAbela / EnsembleLearning
  包括决策树和随机森林进行离职人员预测，Xgboost和lightGBM的应用
  ☆289Updated 5 years ago
• oubahe / GSA-PSO-SVR
  一种有效的电力负荷预测方法
  ☆63Updated 5 years ago
• xuman-Amy / preprocessing
  数据预处理之缺失值处理，特征选择
  ☆21Updated 6 years ago
• yuchengle / Arima
  利用时间序列预测汽车销量
  ☆41Updated 6 years ago
• wikke / TimeSeriesPrediction
  Time Series Prediction, Stateful LSTM; 时间序列预测，洗发水销量/股票走势预测，有状态循环神经网络
  ☆58Updated 7 years ago
• Albertsr / Machine-Learning
  LR / SVM / XGBoost / RandomForest etc.
  ☆28Updated 5 years ago
• zhulei227 / ML_imblearn
  类别不平衡学习，包括采样、代价敏感学习、决策输出补偿以及集成学习等内容
  ☆36Updated 4 years ago
• HiddenSharp / LSTM-SVM-RF-time-series
  Regression prediction of time series data using LSTM, SVM and random forest. 使用LSTM、SVM、随机森林对时间序列数据进行回归预测，注释拉满。
  ☆191Updated 5 years ago
• tjaume / BPNeuralNetworks
  利用Python实现三层BP神经网络
  ☆82Updated 7 years ago
• huang027 / ARIMA
  时间序列ARIMA模型的销量预测
  ☆62Updated 7 years ago
• fitzgerald0 / time_series_data_mining
  TensorFlow Probability；Time series model
  ☆127Updated 3 years ago
• jeurtr / TimeSeries_Predict
  客流量时间序列预测模型
  ☆125Updated 3 years ago
• mo2ye / SARIMA-LSTM
  建立SARIMA-LSTM混合模型预测时间序列问题。以PM2.5值为例，使用UCI公开的自2013年1月17日至2015年12月31日五大城市PM2.5小时检测数据，将数据按时间段划分，使用SARIMA过滤其线性趋势，再对过滤后的残差使用LSTM进行预测，最后对预测结果进行…
  ☆81Updated 6 years ago
• LeronQ / DeepLearningPractice
  about deep learning projects
  ☆49Updated 5 years ago
• shiluqiang / PSO_python
  PSO algorithm for multi-parameters optimizaiton
  ☆65Updated 6 years ago
• LeslieZhoa / Wind_predict_seq2seq
  基于seq2seq模型的风功率预测
  ☆28Updated 5 years ago
• 634671436 / Air_Pollution_Forcast_Beijing
  基于Keras的LSTM多变量时间序列预测
  ☆178Updated 7 years ago
• qiuhaining / sklearn-SVM
  支持向量机(SVM)——分类预测，包括多分类问题，核函数调参，不平衡数据问题，特征降维，网格搜索，管道机制，学习曲线，混淆矩阵，AUC曲线等
  ☆52Updated 7 years ago
• EthanChenYZ / Time-Series-Forecast
  Codes for time series forecast
  ☆146Updated 4 years ago
• GUOxingyu3018 / Tourist_Predict--A-case-of-Shangahi
  不同时间序列预测方法对上海旅游规模进行预测
  ☆17Updated 6 years ago
• pengchen233 / EEMD-LSTM-Model
  基于深度学习的溶解氧时间序列预测模型
  ☆28Updated 5 years ago
• lwb-xmu / Multivariate-multi-step-time-series-forecasting-via-LSTM
  多元多步时间序列的LSTM模型预测——基于Keras
  ☆80Updated 3 years ago
• SimonWang00 / salesPredict
  基于ARIMA时间序列的销量预测模型，实际预测准确率达90%以上，内含有测试记录和实际上线效果。
  ☆104Updated 5 years ago