为新数据集开发神经网络预测模型可能具有挑战性。一种方法是首先检查数据集并构思可能适用的模型，然后探索简单模型在该数据集上的学习动态，最后开发并调整一个适用于该数据集的鲁棒模型……
XGBoost 用于回归
Extreme Gradient Boosting (XGBoost) 是一个开源库，它提供了梯度提升算法的高效且有效的实现。在其开发和最初发布后不久，XGBoost 就成为首选方法，并且常常是机器学习竞赛中各种问题的获胜解决方案的关键组成部分。回归预测建模问题涉及预测……
Python 中的 Basin Hopping 优化
盆地跳跃（Basin hopping）是一种全局优化算法。它旨在解决化学物理学中的问题，尽管它是一种有效的算法，适用于具有多个最优值的非线性目标函数。在本教程中，您将了解盆地跳跃全局优化算法。完成本教程后，您将了解：盆地跳跃优化是一种全局……
用于函数优化的随机搜索和网格搜索
函数优化需要选择一种算法来有效地采样搜索空间并找到良好或最佳的解决方案。有许多算法可供选择，尽管建立基准以确定哪些类型的解决方案对于某个问题是可行的或可能的很重要。这可以通过使用一种朴素的……
如何用更多数据更新神经网络模型
用于预测建模的深度学习神经网络模型可能需要更新。这可能是因为自模型开发和部署以来数据发生了变化，或者自模型开发以来已提供了更多的标记数据，并且预期这些额外……
Python 中从零开始的简单遗传算法
遗传算法是一种随机全局优化算法。它可能与人工神经网络一样，是最受欢迎和广为人知的受生物学启发的算法之一。该算法是一种进化算法，它执行一种优化程序，该程序受到自然选择通过生物进化理论的启发……
使用 Python 进行差分进化全局优化
差分进化（Differential Evolution）是一种全局优化算法。它是一种进化算法，与其他进化算法（如遗传算法）相关。与遗传算法不同，它专门设计用于处理实值数字向量而不是位串。与遗传算法不同，它使用向量运算，如向量……
在 Python 中从零开始实现进化策略
进化策略（Evolution Strategies）是一种随机全局优化算法。它是一种进化算法，与其他算法（如遗传算法）相关，但它专门为连续函数优化而设计。在本教程中，您将了解如何实现进化策略优化算法。完成本教程后，您将了解：进化策略是一种……
数据集大小与模型性能的敏感性分析
对于预测建模，机器学习模型的性能通常会随着数据集大小的增加而提高。这取决于具体的数据集和模型的选择，尽管它通常意味着使用更多数据可以带来更好的性能，并且使用较小数据集估算模型性能的发现通常可以扩展到使用较大数据集。……
深度学习神经网络的预测区间
预测区间为回归问题上的预测提供了一种不确定性度量。例如，95% 的预测区间表示 100 次中有 95 次，真实值将落在范围的下限和上限之间。这与可能代表不确定性中心的简单点预测不同……