高级工具库xgboost/LightGBM与建模实战：xgboost应用和实践，LightGBM
2021-12-09 14:50:21
7.46MB
1
行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用，是当前的研究热点.针对HOG特征不明显、支持向量机（SVM）分类器计算复杂度高，导致识别率低和检测速度慢的问题，本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征，然后增强该特征生成增强型HOG，经XGBoost分类器进行行人检测.在INRIA数据集上进行测试，实验结果表明所提算法识别率高达95.49%，有效地提高了行人检测性能.
2021-12-07 19:44:04
1.34MB
1
jpmml-xgboost jar包，可用于xgboost模型转pmml文件
2021-12-06 14:10:01
5.15MB
1
本文主要参考Battle of the Boosting Algos: LGB, XGB, Catboost，结果与原文有出入。
文章目录1. 对比标准1.1 数据集1.2 规则1.3 版本2. 结果2.1 准确率2.2 训练时间和预测时间2.3 可解释性2.3.1 特征重要性2.3.2 SHAP值2.3.3 可视化二叉树3. 总结4. 代码参考文献
1. 对比标准
1.1 数据集
分类：Fashion MNIST（60000条数据784个特征）
回归：NYC Taxi fares（60000条数据7个特征）
大规模数据集：NYC Taxi fares（2百万条数据7个特征）
PS：本文只进行
2021-11-29 22:43:14
435KB
1
直接跑xgb的代码可以出csv提交。
比赛网址： :
比赛数据： :
比赛类型：多分类问题
阿榜排名
方案1：LightGBM模型0.81245（2018-09-13 23:13）
方案2：XGBoost模型0.8254排名30th / 1153（2018-09-14 14:23:04）
XGBoost的关键参数
max_depth = 12，learning_rate = 0.05，n_estimators = 752，silent == True，objective =“ multi：softmax”，nthread = 4，gamma = 0，max_delta_step = 0，subsample = 1，colsample_bytree = 0.9，colsample_bylevel = 0.9，reg_alpha = 1，reg_lambda = 1，scale_po
2021-11-25 20:03:40
3KB
1
堆叠（堆叠概括）
总览
简单实用的堆叠库，用Python编写。
用户可以使用scikit-learn，XGboost和Keras的模型进行堆叠。 作为该库的功能，训练后可以保存所有失叠的预测以供进一步分析。
描述
（有时被称为堆叠泛化）涉及训练学习算法的其他几个学习算法的预测结合起来。 基本思想是使用一组基础分类器，然后使用另一个分类器组合其预测，以减少泛化误差。
对于理解堆栈和集成学习非常有帮助。
用法
请参阅工作示例：
要运行这些示例，只需运行sh run.sh 注意：
在数据/输入下设置训练和测试数据集
从原始数据集创建的要素必须位于数据/输出/要素下
堆栈模型在scripts文件夹下的scripts.py中定义
需要在该脚本中定义创建的功能
只需运行sh run.sh （ python scripts/XXX.py ）。
详细用法
设置火车数据集及其目标数据和测试数据集。
FEATURE_LIST_stage1 = {
'train' :(
INPUT_PATH + 'train.csv'
2021-11-24 09:51:14
2.16MB
1