梯度提升是应用机器学习中最强大的技术之一，因此正迅速成为最受欢迎的技术之一。但是如何为你的问题配置梯度提升呢？在这篇文章中，你将通过查看配置来了解如何为你的机器学习问题配置梯度提升 [...]
归档 | XGBoost
机器学习梯度提升算法简明介绍
梯度提升是构建预测模型最强大的技术之一。在这篇文章中，你将发现梯度提升机器学习算法，并对其起源和工作原理有一个初步的了解。阅读完这篇文章后，你将知道： 提升技术从学习理论和 AdaBoost 的起源。如何 [...]
如何在 Python 中使用 XGBoost 调整决策树的数量和大小
梯度提升涉及按顺序创建和添加决策树，每棵树都试图纠正之前学习者的错误。这引出了一个问题：在你的梯度提升模型中应该配置多少棵树（弱学习器或估计器），以及每棵树应该有多大。在这篇文章中，你将 [...]
如何在 Python 中为 XGBoost 最佳地调整多线程支持
XGBoost 梯度提升库是为高效多核并行处理而设计的。这使得它在训练时能够有效地利用系统中的所有 CPU 核心。在这篇文章中，你将发现 XGBoost 在 Python 中的并行处理能力。阅读完这篇文章后，你将知道：如何确认 [...]
在 Python 中使用 XGBoost 通过早停避免过拟合
过拟合是像梯度提升这样的复杂非线性学习算法面临的一个问题。在这篇文章中，你将发现如何使用提前停止来限制 XGBoost 在 Python 中的过拟合。阅读完这篇文章后，你将知道：关于提前停止作为一种减少训练数据过拟合的方法。如何监控 [...]
在 Python 中使用 XGBoost 进行特征重要性和特征选择
使用像梯度提升这样的决策树集成方法的优势之一是它们可以从训练好的预测模型中自动提供特征重要性估计。在这篇文章中，你将发现如何使用 Python 中的 XGBoost 库来估计特征对于预测建模问题的重要性。然后 [...]
如何在 Python 中使用 XGBoost 可视化梯度提升决策树
绘制单个决策树可以深入了解给定数据集的梯度提升过程。在本教程中，你将学习如何使用 Python 中的 XGBoost 从训练好的梯度提升模型中绘制单个决策树。让我们开始吧。更新 2018 年 3 月：由于原始链接似乎已失效，已添加下载数据集的备用链接 [...]
如何在 Python 中使用 XGBoost 评估梯度提升模型
开发预测模型的目标是开发一个在未见过的数据上准确的模型。这可以通过统计技术来实现，这些技术仔细利用训练数据集来估计模型在新数据和未见过的数据上的性能。在本教程中，你将学习如何评估 [...]
如何在 Python 中保存梯度提升模型和 XGBoost
XGBoost 可用于使用梯度提升算法创建一些性能最佳的表格数据模型。一旦训练完成，通常的做法是将模型保存到文件中，以便以后用于对新的测试和验证数据集以及全新的数据进行预测。在这篇文章中，你将学习如何 [...]
在 Python 中为 XGBoost 的梯度提升准备数据
XGBoost 因其速度和性能而成为梯度提升的流行实现。在内部，XGBoost 模型将所有问题表示为仅接受数值输入的回归预测建模问题。如果你的数据形式不同，则必须将其准备成预期的格式。在这篇文章中，你将发现如何 [...]