Python数据分析与机器学习-Xgboost集成算法 Python数据分析与机器学习-Xgboost集成算法

运行到python setup.py install时 出现.......Cannot find XGBoost Library in the candidate path.................

xgboost.dll，安装过程中缺失的文件，可以下载放在"xgboost/python-package/xgboost/"下，再次使用python setup.py install命令安装就ok了

此文件为python的外部机器学习扩展包xgboost安装文件，可实现较为高效的监督学习算法，方便快捷地建立预测模型。

python集成学习XGboost安装步骤（自己测试确保能安装）

房屋价格预测 艾姆斯住房数据集摘自kaggle竞赛。 该项目的目的是预测Boston Housing Dataset中房屋的房价。 提供了两个文件，即训练和测试，并且要估计测试数据的价格。 在这里，我已使用XGBoost进行预测。 感谢Krish Naik制作了这些精彩的视频，以帮助他们理解和实施房价预测。 稍后，我将添加探索性数据分析，并将XGBoost模型的结果与其他回归技术进行比较。 房价预测步骤 加载数据中 数据探索2.1具有空值的特征2.2数值特征 2.2.1 Year Features 2.2.2 Discrete Features 2.2.3 Continous Features 2.3分类特征 数据清理 数据转换4.1稀有分类特征处理 基本模型性能（XGBoost） 超参数调整 最终模型 可视化结果 1.加载数据 df = pd . read_csv

xgboost在windows下的详细安装过程：http://blog.csdn.net/bo553649508/article/details/50586653，并附带xgboost的参数说明

Auto_TS：Auto_TimeSeries 使用单行代码自动构建多个时间序列模型。 现在已用Dask更新。 Auto_timeseries是用于时间序列数据的复杂模型构建实用程序。 由于它可以自动执行复杂任务中的许多任务，因此它假定了许多智能默认值。 但是您可以更改它们。 Auto_Timeseries将基于Statsmodels ARIMA，Seasonal ARIMA和Scikit-Learn ML快速建立预测模型。 它将自动选择给出最佳分数的最佳模型。 从0.0.35版开始，新版本进行了重大更新：现在，您可以将文件加载到Dask数据框中。 只需提供文件名，如果文件名太大而无法容纳在pandas数据框中，则Auto_TS会自动检测到该文件并将其加载到Dask数据框中。 此外，自0.0.25版以来的新功能是Auto_TimeSerie的语法：现在，它更像scikit-lear

陈天奇大神的XGBoost的PPT,帮助理解xgb,有想了解机器XGBoost的可以下载

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题，提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先，对风机主轴承SCADA数据开展特征分析，挖掘和发现特征与故障之间的关联关系，并评估各特征的重要性；然后利用XGBoost算法构建主轴承故障预测模型，进行模型评估；最后，依据SCADA系统收集的实测数据对模型进行训练和测试，并调整XGBoost模型的主要参数，提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比，结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法，是处理SCADA大规模数据集的有效工具。