Kaggle竞赛解决方案-使用LightGBM算法预测二手商品的成交概率 avito是一家俄罗斯公司，从网站上来看是一个线上购物平台，这一次题目的目标，就是预测某一个商品在某一天被售出的概率，给定的数据有一段时间内的商品的销售情况（数量，价格，地区，品类，商品的俄文描述，商品的图片）等信息。 Avito提供了多个数据集, 除了主要的训练集(train.csv, 150万+样本)和测试集(test.csv, 50万+样本)外, 还有train_active.csv/test_active.csv(和train/test同时期的数据, 但没有成交概率和图片信息); periods_train.csv/periods_test.csv(只包含了active数据中每件商品的id, activation_date - 广告投放日期, date_from/date_to - 广告展示的第一天和最后一天); train_jpg.zip/test_jpg.zip(train和test样本的图片)。

LightGBM 轻量级提升学习方法

特征点提取aXgboost与LightGBM的用法速查表方法 自定义损失函数与评估准则 网格搜索与交叉验证 early- stopping早停及并行训练加速

文件详细地描述了LightGBM的使用教程与各种例子：包括R语言、python、docker等等。供给机器学习初学者使用，加油。

yasa_classifiers 该存储库包含用于生成YASA睡眠阶段模块的预训练分类器的笔记本： : 可以在sleepdata.org上找到数据集。 您需要请求数据访问权限才能下载数据集。 具体而言，使用以下数据集对睡眠分期分类器进行训练：CCSHS，CFS，CHAT，HomePAP，MESA，MrOS，SHHS。 脚步 01_features_nsrr_\*.ipynb ：从原始PSG文件计算特征。 确保更新路径！ 02_create_classifiers.ipynb ：训练并导出睡眠阶段分类器。

LightGBM 绝地求生案例

LightGBM专题，收录了有关博客的笔记和论文：LightGBM介绍及参数调优，LightGBM——提升机器算法（图解+理论+安装方法+python代码），XGBoost、LightGBM的详细对比介绍，LightGBM官方文档，lightGBM原理、改进简述，机器学习：机器学习时代三大神器GBDT、XGBoost、LightGBM，机器学习算法之LightGBM，LightGBM原理-LightGBM: A Highly Efficient Gradient Boosting Decision Tree 附有论文pdf，从结构到性能，一文概述XGBoost、Light GBM和CatBoost的同与不同

机器学习与算法源代码10： 机器学习神器：XGBoost&LightGBM模型.zip

JPMML-LightGBM Java库和命令行应用程序，用于将模型转换为PMML。 先决条件 LightGBM 2.0.0或更高版本。 Java 1.8或更高版本。 安装 输入项目根目录并使用构建： mvn clean install 构建生成可执行的uber-JAR文件target/jpmml-lightgbm-executable-1.3-SNAPSHOT.jar 。 用法 典型的工作流程可以总结如下： 使用LightGBM训练模型。 将模型保存到本地文件系统中的文本文件中。 使用JPMML-LightGBM命令行转换器应用程序将此文本文件转换为PMML文件。 LightGBM操作方面 使用软件包为示例波士顿住房数据集训练回归模型： from sklearn . datasets import load_boston boston = load_boston () fr

员工流失预测 这是使用xgboost＆GBDT＆Lightgbm＆ngboost预测员工流失的项目