三个台湾人在参加kaggle 2014比赛的时候，自己手撸的一个GBDT的源代码。自己已经完整读了一遍，并且已经标记了注释。
2021-10-15 14:45:43
10.15MB
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
梯度提升决策树
梯度提升决策树的python实现。该算法的核心部分仅使用numpy实现。
参考
梯度提升算法的详细信息
目录
要求
使用方法（用法）
实际示例（示例）
MNIST分类（binary_classification）
通过人工数据进行分类（二进制分类，回归问题）
设置
要求
需要以下库来运行示例
numpy
scikit-learn
matplotlib
pandas
scipy
快速开始
与Docker一起运行
这是将docker和docker-compose预先安装在主机上的条件。
首先使用docker-compose构建映像，然后使用守护程序启动容器。
docker-compose build
docker-compose up -d
示例命令在容器内运行
# コンテナの内部に潜り込む
docker exec -it gbdt-app bash
# sample.py
2021-08-16 17:07:19
452KB
1
GBDT实现：XGBoost、LightGBM、Catboost对比
参考https://www.kaggle.com/lavanyashukla01/battle-of-the-boosting-algos-lgb-xgb-catboost
2021-08-12 07:41:36
1.2MB
1
00_随机森林案例一：宫颈癌预测.
01. Bagging&Boosting算法应用在回归模型中
02_Adaboost案例一：Adaboost分类算法
03_Adaboost案例二：Adaboost API algorithm参数取值比较
2021-07-24 16:06:53
213KB
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