为了解决传统短期用电负荷预测系统存在响应时间慢、预测精度差的问题，设计了一种基于梯度提升树的短期用电负荷预测系统。该系统框架采用C/S架构模式搭建，根据预测需求选择系统的组成硬件，并以梯度提升树为核心，建立预测模型，完成系统软件及短期用电负荷预测系统的设计。实验结果表明，与基于神经网络、数据挖掘、支持向量机的三种传统用电负荷预测系统相比，本系统运行下，响应时间缩短，预测精度提高，为电力企业电量生产和供应提供了可靠的依据。
2022-01-05 20:22:30
1.52MB
1
本文针对交通数据挖掘领域的交通流预测问题进行研究和实现.主要对数据挖掘技术应用于交通流数据的特征选择和交通流预测模型的建立提出算法.在对采样数据进行清洗后，以分类与回归决策树作为基学习器，采用梯度提升决策树进行回归拟合，计算出交通数据的特征重要度.并以此重要度作为自适应特征选择的依据.其次，采用聚类算法对选取后的特征数据进行聚类分析，缩小样本大小的同时，同类数据更加相似.最后，以实时数据匹配相应聚类作为训练数据集，使用经过人工鱼群算法优化参数后的支持向量机进行交通流预测.本文结尾通过实验数据论证本文所提出的算法和模型.
2021-12-22 17:44:58
1.06MB
1
梯度提升决策树算法（GBDT）作者：江尘（[受电子邮件保护]）GBDT是Jerome H. Friedman的梯度提升决策树算法的高性能且功能齐全的C ++实现。 （[受电子邮件保护]）GBDT是Jerome H. Friedman的“梯度增强决策树算法”及其现代后代的高性能且功能齐全的C ++实现。
它具有高效，低内存占用，丢失功能的集合以及内置机制来处理分类功能和缺失值的功能。
GBDT什么时候对您有利？
您正在寻找的不仅仅是线性模型。
梯度提升决策
2021-12-08 12:37:00
7.87MB
1
Gradient Boosting Decision Tree
1. 构建与使用
1.1 构建
Windows: 使用 Visual Studio 2017 打开解决方案并生成即可。
Linux: 根目录提供了 makefile 文件，使用 make 编译即可，需要 gcc >= 5.4.0
1.2 使用
用法：boost
接受 LibSVM 格式的训练数据输入，如下每行代表一个训练样本：
: : :
用于预测的数据输入和训练数据类似：
:<featu
2021-10-26 17:29:35
380KB
1
本课程分为4个模块。
第一个模块通过预测年龄的直观案例理解GBDT算法流程。
第二个模块通过GBDT的三要素：GB(梯度提升)，DT(回归树)和Shrinkage(缩减)理解GBDT的算法核心。
第三个模块通过剖析分类和回归损失函数来讲解GBDT在分类和回归方面的应用。
第四个模块通过手动方式一步步拆解讲解GBDT回归，二分类，多分类的过程，还原真实迭代流程。
第五个模块通过真实案例讲解GBDT的工作中所用API。
资料：
视频：
2021-09-20 22:03:20
8.82MB
1
渐变光机
LightGBM是使用基于树的学习算法的梯度增强框架。 它被设计为分布式且高效的，具有以下优点：
训练速度更快，效率更高。
降低内存使用率。
更好的准确性。
支持并行和GPU学习。
能够处理大规模数据。
有关更多详细信息，请参阅。
受益于这些优势，LightGBM被广泛用于许多机器学习竞赛的中。
在公共数据集上进行的表明，LightGBM可以在效率和准确性上均优于现有的Boosting框架，并且显着降低了内存消耗。 此外， 表明，LightGBM可通过使用多台机器进行特定设置的训练来实现线性加速。
入门和文档
我们的主要文档位于并从该存储库生成。 如果您不熟悉LightGBM，请按照站点上进行。
接下来，您可能需要阅读：
显示常见任务命令行用法的。
LightGBM支持的和算法。
是您可以进行的自定义的详尽列表。
和可以加快计算速度。
是有关超参数的详细指南。
为LightGBM超参数（）提供自动调整。
贡献者文档：
。
查阅《 。
新闻
请参考页面上的变更日志。
一些重要的更新日志可在“页面上找到。
外部（非官方）存储库
Optun
2021-09-04 16:56:17
7.03MB
1
针对室内环境中指纹定位接收信号强度信息的高维时变特性以及动态目标定位误差的 累积问题，提出了一种基于梯度提升决策树与粒子滤波相结合的融合算法。该算法首先利用梯 度提升决策树算法建立的位置坐标与接收信号强度之间的非线性映射模型，对在线接收的信号 强度数据进行特征分类判别，实现位置的初步估计；随着目标的运动，进一步结合粒子滤波方 法，迭代地实现动态目标位置的精确预测；另外，将定位轨迹与实际轨迹进行对比，以验证该算 法的稳定性。实验仿真结果表明：累积分布函数在80％的百分位处，提出算法的定位精度控制 在1.19m以内，明显优于基于支持向量机、随机森林等定位算法；同时较基于梯度提升决策树 算法的定位精度提升了34.9％；所获得的定位轨迹与实际轨迹的趋势一致且趋于收敛。
2021-08-22 11:09:35
600KB
1
轻梯度升压机
LightGBM是使用基于树的学习算法的梯度增强框架。 它被设计为分布式且高效的，具有以下优点：
更快的训练速度和更高的效率。
降低内存使用率。
更好的准确性。
支持并行，分布式和GPU学习。
能够处理大规模数据。
有关更多详细信息，请参阅。
受益于这些优势，LightGBM被广泛用于许多机器学习竞赛的中。
在公共数据集上进行的表明，LightGBM可以在效率和准确性上均优于现有的Boosting框架，并且显着降低了内存消耗。 此外， 表明，LightGBM通过使用多台机器进行特定设置的训练可以实现线性加速。
入门和文档
我们的主要文档位于并从此存储库生成。 如果您不熟悉LightGBM，请按照站点上进行。
接下来，您可能需要阅读：
显示了常见任务的命令行用法。
LightGBM支持的和算法。
是您可以进行的自定义的详尽列表。
和可以加快计算速度。
2021-07-02 11:44:26
6.71MB
1
微软新开源的轻量级、高效率梯度提升树lightgbm工具。已经编译好windows-gpu版本。安装cuda和cudnn后，直接运行"python install -e ."安装 即可使用。
2020-01-15 03:05:59
90.49MB
1