为解决气体红外光谱识别问题,引入提升算法中较新的研究成果——极端梯度提升(XGBoost)算法。选用实测的三氯甲烷、对二甲苯、四氯乙烯气体的红外光谱数据进行实验。首先在对原始数据进行预处理后,通过特征工程提取光谱特征,生成特征向量;然后建立XGBoost模型,并对模型参数进行调优;最后基于分类准确率指标,将所提模型与随机森林(RF)、支持向量机(SVM)、前馈神经网络(FNN)、卷积神经网络(CNN)模型进行对比。实验结果表明,XGBoost在气体红外光谱识别领域有着广阔的应用前景。
2021-07-08 09:13:07 3.7MB 光谱学 模式识别 红外光谱 提升算法
1
陈天奇博士xgboost讲义
2021-07-06 16:33:46 1.37MB xgboost
1
基于餐饮评论数据的情感分析(主要涉及到短文分类,分别使用朴素贝叶斯、支持向量机、Xgboost 进行情感值的二分类) 本文主要通过情感分析来挖掘评论中有价值的信息。 获取所研究数据,即大众点评餐饮评论数据,通过分词去除停用词、词性标注等操作进行数据预处理,然后通过机器学习的方法来分析餐饮评论的情感极性,来进一步挖掘评论中有价值的信息。 使用python的结巴分词工具对中文文本进行分词。可用TF-IDF、词袋方法提取文本数据的特征。然后使用机器学习的方法进行文本分类,可以运用朴素贝叶斯(NB)、支持向量机(SVM)、随机森林等算法。查询了资料,考虑了速度、容错性、变量筛选能力、共性容忍度等因素,初步设想选用SVM算法。 ===》SVM算法优于NB 优于随机森林
2021-07-02 20:02:33 10.92MB 情感分析
XGBoost With Python Discover The Algorithm That Is Winning Machine Learning Competitions by Jason Brownlee 30 step-by-step lessons, 115 pages. XGBoost 是常规数据预测建模的主要技术。 梯度提升算法是各种预测建模问题的最高技术,XGBoost 是实施速度最快的算法。当被问及时,世界上最好的机器学习竞争对手建议使用XGBoost。 在这部以您习惯的友好机器学习掌握风格编写的新电子书中,确切地学习如何开始,并将 XGBoost 带到您自己的机器学习项目中。
2021-06-26 20:02:12 1.17MB XGBoost Python 机器学习 预测
使用方式参见: https://season.blog.csdn.net/article/details/118196915
2021-06-25 14:03:32 5.72MB xgboost pyspark
1
预测常规赛MVP数据集,主要包含:13-14、14-15、15-16、16-17、17-18、19-20六个赛季的数据
2021-06-23 23:41:39 374KB mvpdata xgboost
1
本资源作为专栏机器学习专栏的原始数据,包含了简单的数据,未处理的数据和最终处理完成后的房价数据,用于机器学习相关知识的学习
2021-06-22 15:35:52 193KB 机器学习 房价预测 房价数据 xgboost
1
足球预测器Web应用程序 链接: : 1.“什么?” 这是一个网络应用程序,可帮助可视化足球预测以及每个输入变量如何影响输出。 以下是比赛报告的示例。 每个条形图代表相应变量对输出的边际贡献。 2.“如何?” 我们使用XGBoost预测游戏的目标差异,主队目标[负数]客队目标。 XGB是一个很好的选择,因为它在回归任务中表现良好,并且与SHAP包搭配得很好,SHAP包通过将对输出的边际影响分配给每个输入变量来帮助解释每个预测。 下面我们可以看到模型在准确性和投资回报率方面的表现: 链接到分析: : 所有数据取自: : 然后,我们每天设置一个“下载->预处理->预测->保存”例程来刷新数据。 用Heroku和Gunicorn完成部署。 3.“为什么?” 该Web应用程序主要用于演示数据预处理,数据建模和Web开发。 第二个目的是使用它。
2021-06-17 14:26:10 13.07MB JupyterNotebook
1
GBDT、XGBoost&LightGBM.pdf
2021-06-16 22:06:35 2.57MB 数据科学 人工智能 机器学习
1
该文档详细介绍了机器学习算法中的GBDT和XGboost 两大神器
2021-06-16 09:46:47 1.29MB 算法
1