【机器学习】

1/adaboost算法主要步骤 <1>从训练集D中无放回的抽样方式随机抽取一个训练子集d1，用于弱学习器c1的训练 <2>从训练集D中以无放回的方式随机抽取一个训练子集d2，并将c1中误分分类样本中

参考网址 mlxtend库是什么 如何安装 Mlxtend库和Sklearn库的联系和区别 可以从以下几个方面进行详细阐述： 联系 兼容性和集成性： Mlxtend 是为 Sklearn 提供额外实用

前言 虽然网格搜索更加细致，但是当超参数比较多的时候，网格搜索是非常耗时的。 什么是随机搜索 随机搜索比网格搜索的优势 demo

参考网址 https://blog.csdn.net/weixin_46803857/article/details/122776921 demo

1/网格搜索法（GridSearchCV） <1>GridSearchCV： <2>Grid Search： <3>适用情况 <4>缺点 <5>参数说明 <6>demo 2/随机搜索（Randomiz

为什么叫GridSearchCV为什么叫GridSearchCV为什么叫GridSearchCV为什么叫GridSearchCV为什么叫GridSearchCV

常规参数 booster gbtree 树模型做为基分类器（默认），及弱学习器的类型，这里默认是cart分类回归决策树 gbliner 线性模型做为基分类器 silent silent=0时，不输出中

XGBoost库和Scikit-learn库在机器学习领域中各有其独特的位置和用途，它们之间的关系主要体现在以下几个方面： 1. 库的功能与定位 XGBoost库：XGBoost（eXtreme Gr

0/参考网址 https://blog.csdn.net/m0_37870649/article/details/104550054 1/前言 2/用Label encoding（序号编码）处理有序类

demo        [0] validation_0-rmse:21.687 validation_1-rmse:21.3558        [50] validation_0-rmse:1.8

前言 安装 参数详情 xgboost原生用法 <1>分类 <2>回归 <3>交叉验证 <4>自定义目标函数和损失函数 xgboost的sklearn库接口

XGBoost有两大类接口：XGBoost原生接口 和 scikit-learn接口 ， 本文从这两个方向入手回归问题。 1/基于XGBoost原生接口的回归 2/基于Scikit-learn接口的回

https://mp.weixin.qq.com/s?__biz=MzI1MzY0MzE4Mg==&mid=2247485159&idx=1&sn=d429aac8370ca5127e1e786995

机器学习，随机森林，分类，集成学习，网格搜索，交叉验证 机器学习，随机森林，分类，集成学习，网格搜索，交叉验证

实战案例 我们以在以前的文章中经常提到泰坦尼克号为例。 让我们再次尝试同样的问题。 这种情况下的目标是，了解调整随机森林参数而不是找到最好的特征。 试试下面的代码来构建一个基本模型：

什么是随机森林 0/随机森林的特点 1/随机森林的概述 2/随机森林构造过程 <1>随机选择样本 <2>随机选择特征 <3>构建决策树 <4>随机森林投票 3/随机森林的优缺点 4/随机森林的相关基础

参数介绍： <1> n_estimators <2>criterion <3>max_features <4>max_depth