作者归档 | Vinod Chugani

特征工程和模型训练是数据转化为预测能力的根基，连接着初步探索和最终洞察。本指南将探讨识别重要变量、创建新特征和选择合适算法的技巧。我们还将涵盖重要的预处理技术，如处理缺失数据和编码分类变量。这些方法适用于 […]

有效的数据科学项目始于坚实的基础。本指南将引导您完成关键的初始阶段：理解数据、定义项目目标、进行初步分析以及选择合适的模型。通过仔细应用这些步骤，您将大大提高产生可操作见解的机会。让我们开始吧。  理解您的数据 基础 […]

梯度提升算法是强大的预测工具，而 CatBoost 因其高效处理分类数据而广受欢迎。这对于艾姆斯住房数据集尤其有价值，该数据集包含许多分类特征，如街区、房屋风格和销售条件。CatBoost 通过其创新的“有序目标统计”方法在处理分类特征方面表现出色。 […]

LightGBM 是一个高效的梯度提升框架。它因其速度和性能而受到关注，尤其是在处理大型复杂数据集时。这个由微软开发的强大算法以其与传统方法相比处理大量数据的独特能力而闻名。在这篇文章中，我们将进行实验 […]

XGBoost 因其在众多 Kaggle 竞赛中的出色表现而广受认可，使其成为处理复杂机器学习挑战的首选。该算法以其高效处理大型数据集的能力而闻名，并且其实用性和有效性也使其脱颖而出。在这篇文章中，我们将把 XGBoost 应用于艾姆斯住房数据集 […]

集成学习技术主要分为两类：bagging 和 boosting。Bagging 通过汇总独立预测来提高稳定性和准确性，而 boosting 则通过逐个纠正先前模型的错误来提高其性能。本文将开始我们对 boosting 的深入探讨，从梯度提升回归器开始。通过将其应用于艾姆斯 […]

本文深入探讨了树模型在艾姆斯住房数据集中的应用，特别关注了决策树、bagging 和随机森林。首先强调了预处理的关键作用，这是确保数据为这些模型的要求进行优化的基本步骤。从单个决策树开始的路径 […]

分类变量至关重要，因为它们通常包含影响预测模型结果的重要信息。然而，它们的非数字性质带来了独特的模型处理挑战，需要特定的编码策略。本文将首先讨论数据集中常见的不同类型的分类数据。我们将深入探讨序数编码，并 […]

我们到目前为止的讨论都围绕着线性模型系列。从简单的线性回归到 Lasso 和 Ridge 等惩罚技术，每种方法都提供了基于线性关系预测连续结果的宝贵见解。当我们开始探索树模型时，重要的是要重申我们的重点仍然是 […]