jpmml-xgboost jar包，可用于xgboost模型转pmml文件

内含两个xgboost的介绍讲解文件，一个是中文，一个是英文的。

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

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

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'

xgboost代码回归matlab “＃EEG_preprocessing”此存储库包含用于预处理EEG数据的Maltab和Python文件。 Matlab文件是进一步分析的预处理步骤。 预处理执行如下： 滤波（0.5 – 30 Hz）2.重新参考（通用平均参考）3.使用EEGLAB ICA插件计算ICA权重。 4.仅查找和选择用于干净数据的实际试验（针对整个数据集）5.使用-1到2秒之间的间隔。 6.为了拒绝人为因素，使用了SASICA。 7.消除数据趋势并消除线路噪声。 8.消除异常时期以上步骤是研究有关该主题和实验方法的现有论文的结果。 python文件是用于将EEG数据分类为从Kaggle数据库获取的抓取力数据的分析代码。 此处提供了数据集的描述：。 在分析中，我执行了数据的简单转换并应用了Microsoft的LightGbM算法。 该代码可用作将来在其他EEG数据集上使用的模板。 使用GrigSearch和Cross-Validation选择lightGBM参数。 与lightGBM一起使用了其他算法，例如逻辑回归，XGboost，SVM，但是lightGBM在速度（Top1

已经编译好的xgboost windows安装包，直接可以安装使用无需再下载visual studio编译，省时间 里面没有源码，需要把xgboost的源码下载下来，然后运行里面的xgboost.exe安装即可，如果不会的话可以私信我

信用评估分类器的好坏能够直接影响信贷金融机构的盈利能力. 传统的网格搜索法进行参数寻优时会耗费大量的时间, 基于此提出改进的网格搜索法优化XGBoost (GS-XGBoost)的个人信用评估算法. 该算法利用随机森林进行特征选择后, 将改进的网格搜索法对XGBoost中的n_estimators和learning_rate进行参数寻优, 建立评估模型. 从UCI数据库中选取信贷数据进行分析, 分别与支持向量机、随机森林、逻辑回归、神经网络以及未改进的XGBoost进行比较. 实验结果表明, 该模型的F-score和G-mean的值均有提高.

使用python进行数据分析,建模预测租金的完整案例,ipynb文件使用jupyter notebook或jupyter lab打开

xgboost作者陈天奇对xgboost原理的介绍，讲得很好，真的超级好！~~~