档案 | 实用机器学习

本文将探讨三种用于模型超参数优化的高级策略以及如何在 scikit-learn 中实现它们。

学习如何将 Scikit-learn 的预处理、CatBoost 的高性能模型和 SHAP 的透明解释结合到一个完整的流程中，为房价预测提供准确性和可解释性。

本文介绍了如何使用 Scikit-learn 和 Pandas 以及 NumPy 数组，对包含各种不同类型特征的数据集执行高级和定制化的特征工程过程。

我们将从原始数据开始，一直讲到构建一个可随时上云的容器化 API。

为初学者准备的关于损失函数的简明易懂的解释。

这些 NumPy 数组操作如同忍者般快速而无声，旨在将计算成本高昂的机器学习过程变得轻量化。

实用技巧，可根据现有数据构建新的有意义的特征，使数据分析过程和机器学习建模更有效。

了解如何使用 SHAP 将您的 XGBoost 模型从黑箱转变为透明、可解释的系统，揭示每个特征如何精确地影响每个预测。

一份关于如何选择合适的特征工程策略的指南，这些策略可以使您的数据为进一步分析和机器学习建模获得更好的形状。

从简单的词语计数到复杂的神经网络，文本向量化技术通过将单词转换为数学表示来捕获含义和上下文，从而改变了计算机理解人类语言的方式。