我发现大多数的机器学习相关的书都是遍历各种算法和案例，为大家讲解各种各样算法的原理和用途，但却对调参探究甚少。这中间有许多原因，其一是因为，调参的方式总是根据数据的状况而定，所以没有办法一概而论；其二是因为，其实大家也都没有特别好的办法。 通过画学习曲线，或者网格搜索，我们能够探索到调参边缘 ...

构成的列表作为输入，每个元组第一个值作为变量名，元组第二个元素是sklearn中的transformer ...

在做数据处理时，需要用到不同的手法，如特征标准化，主成分分析，等等会重复用到某些参数，sklearn中提供了管道，可以一次性的解决该问题 先展示先通常的做法 ...

一、任务 这次我们将了解在机器学习中支持向量机的使用方法以及一些参数的调整。支持向量机的基本原理就是将低维不可分问题转换为高维可分问题，在前面的博客具体介绍过了，这里就不再介绍了。 首先导入相关标准库： %matplotlib inline import numpy as np ...

一、决策树思维、决策树算法 　1）决策树思维 决策树思维是一种逻辑思考方式，逐层的设定条件对事物进行刷选判断，每一次刷选判断都是一次决策，最终得到达到目的；整个思考过程，其逻辑结构类似分叉的 ...

一、scikit-learn库中的网格搜索调参 　 　1）网格搜索的目的： 找到最佳分类器及其参数； 　 　2）网格搜索的步骤： 得到原始数据 切分原始数据 创建/调用机器学习算法对象 调用并实例化scikit-learn中的网格搜索对象 对网格搜索 ...

之前在集成原理小结中总结了Bagging的原理。 理解了bagging算法，随机森林(Random Forest,以下简称RF)就好理解了。它是Bagging算法的进化版，也就是说，它的思想仍然是bagging,但是进行了独有的改进。 1. 随机森林的原理（普通bagging的升级版） 第一 ...

机器学习模型当中，目前最为先进的也就是xgboost和lightgbm这两个树模型了。那么我们该如何进行调试参数呢？哪些参数是最重要的，需要调整的，哪些参数比较一般，这两个模型又该如何通过代码进行调用呢？下面是一张总结了xgboost，lightbgm，catboost这三个模型调试参数的一些经验 ...