人工智能_项目实践_上市公司财务造假_基于XGBoost的上市公司财务造假预测

PySpark-ClusterClassify 使用AWS Sagemaker在MNIST数据集上进行分布式KMeans聚类和XGBoost分类作业

XGBoost模型 该项目使用XGBoost模型预测销售价格，然后将结果与其他算法（例如，Random Forest和Decision Tree）进行比较。 资料栏位 这是您将在数据描述文件中找到的内容的简短版本。 SalePrice-物业的销售价格（以美元为单位）。 这是您要预测的目标变量。 MSSubClass：建筑类MSZoning：总体分区分类LotFrontage：连接到属性Lot的街道的线性英尺LotArea：平方英尺的地块大小Street：道路通道的类型Alley：胡同通道的类型LotShape：属性的一般形状LandContour：平面度属性实用程序：可用的实用程序类型LotConfig：批次配置LandSlope：属性的坡度邻域：Ames城市范围内的物理位置条件1：接近主干道或铁路条件2：接近主干道或铁路（如果有第二秒）BldgType：类型房屋外观样式：房屋风格整体质

分类问题中的特征选择一直是一个重要而又困难的问题。这类问题中要求特征选择算法不仅能够帮助分类器提高分类准确率，同时还要尽可能地减少冗余特征。因此，为了在分类问题中更好地进行特征选择，提出了一种新型的包裹式特征选择算法XGBSFS。该算法借鉴极端梯度提升（XGBoost）算法中构建树的思想过程，通过从3个重要性度量的角度来衡量特征的重要性，避免单一重要性度量的局限性；然后通过改进的序列浮动前向搜索策略（ISFFS）搜索特征子集，使最终得到的特征子集有较高的质量。在8个UCI数据集的对比实验中表明，所提算法具有很好的性能。

Xgboost原理详解，参考了多个博客和论文，探讨XGB的基本原理和优点等。

机器学习方法在股指期货预测中的应_省略_SVM和XGBoost的比较分析_黄卿.pdf

xgboost.whl使用pip install 文件名 直接安装 十分方便

文章目录一瞥一、集成算法思想二、XGBoost基本思想三、MacOS安装XGBoost四、用python实现XGBoost算法五、xgboost的优化：六、xgboost的优势：1、正则化2、并行处理3、高度的灵活性4、缺失值处理5、剪枝6、内置交叉验证7、在已有的模型基础上继续七、常用API 介绍1.数据接口 Data Interface2. 参数设置Setting Parameters3.开始训练Training 保存模型4.提前停止Early Stopping5.预测Prediction 使用早停进行预测6.绘图Plotting八、代码实践 在竞赛题中经常会用到XGBoost算法，用这个

使用XGBoost回归模型预测学生的写作成绩源码

Kaggle竞赛经典项目，特别适合练手人工智能项目。