terrychen17 / Task005Links
模型优化调参---网格搜索(五折交叉验证)
☆11Updated 6 years ago
Alternatives and similar repositories for Task005
Users that are interested in Task005 are comparing it to the libraries listed below
Sorting:
- 常用的特征选择方法☆68Updated 2 years ago
- 基于遗传算法的特征选择☆128Updated 5 years ago
- 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
- 机器学习集成模型之Stacking各类模型及工具源码☆116Updated 4 years ago
- 机器学习预测模型,分别用逻辑回归,决策树,随机森林,神经网络,XGBOOST和支持向量机算法建模,交叉验证,并选出AUC最优的模型。 特征工程优化后,AUC值达到0.8259☆55Updated 5 years ago
- 2019年CCF智能信用评分大赛个人源码库。包含XGboost模型调参,特征筛选,训练等方案。同时包含stacking模型融合方案☆27Updated 5 years ago
- Sklearn机器学习中的主要算法原理以及实现(线性回归、逻辑回归、朴素贝叶斯、K-Means聚类、KNN、PCA主成分分析、BP神经网络)☆83Updated 5 years ago
- 常见的数据预处理,包括数据加载、缺失值&异常值处理、描述性变量转换为数值型、训练测试集划分、数据规范化☆41Updated last year
- 包括决策树和随机森林进行离职人员预测,Xgboost和lightGBM的应用☆287Updated 5 years ago
- 利用时间序列预测汽车销量☆40Updated 6 years ago
- 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
- 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☆76Updated 4 years ago
- 数据预处理过程(属性选择, 异常值处理, 归一化, 标准化等)☆63Updated 4 years ago
- 利用Python实现三层BP神经网络☆82Updated 7 years ago
- Python 建立的BP神经网络处理预测相关公交线路数据☆36Updated 7 years ago
- 集成学习Stacking方法详解☆74Updated 5 years ago
- 时间序列ARIMA模型的销量预测☆63Updated 6 years ago
- 机器学习实践:贷款违约预测☆37Updated 5 years ago
- 利用爬虫获取58同城的二手房信息,选取特征并对数据进行预处理,利用机器学习算法给出不同地段的租房推荐。☆15Updated 5 years ago
- 机器学习算法超参数的优化方法——基于hyperopt和bayes_opt☆14Updated 6 years ago
- 数据预处理之缺失值处理,特征选择☆21Updated 6 years ago
- 【Numpy 手写实现】SVM 支持向量机 | KNN K近邻 | Kmeans | Logistic Regression 逻辑回归 | Maximum Entropy 最大熵 | Naive Bayes 朴素贝叶斯 | Perception 感知机 | Decision…☆208Updated 5 years ago
- 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
- python实现的随机森林☆100Updated 2 years ago
- GBDT for regression☆10Updated 6 years ago
- use PSO to train the sigle layer NN structure☆23Updated 2 years ago
- 构建基于逻辑回归的评分卡模型☆45Updated 6 years ago
- 实验源代码-----基于随机森林的气温预测☆42Updated 5 years ago
- Python 基于BP神经网络实现鸢尾花的分类☆352Updated 4 years ago
- 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。☆190Updated 5 years ago