Repository 包含用于 Kaggle Avazu 竞赛获得第 18 名的代码。 使用的主要算法： 具有自适应梯度的逻辑回归 随机梯度提升机（MatrixNet）

变量值 使用蒙特卡罗和 GBM 模型计算股票的风险价值 (VaR) 的共享内存并行 Python 代码

StockAnalysisWebApp 这是一个股票分析Python Flask Web应用程序，可让您使用传统的统计方法（例如ARIMA，HoltWinters以及GBM等）来预测短期股价走势 功能的完整列表是：- ...分析>烛台图 ...分析>记录每日收益 ...分析>相对强度指数表（RSI） ...分析>移动平均收敛散度（MACD） ...分析>布林带图 ...分析>多因素股票筛选和排名 ...预测>移动平均线预测（单变量） ...预测>自动ARIMA + GARCH预测（单变量） ...预测>自动停止冬季预报（单变量） ...预测>向量自动回归预测（多变量） ...预测>几何布朗运动（GBM）预测（多变量） ...预测> Bootstrap抽样预测（多变量） ...预测>最佳风险收益的投资组合权重 此应用程序的有效“实时”版本托管在Pythonanywhere

超级GBM | 我们正在招聘！ 亲爱的朋友们，我们正在北京为热衷于 AutoML/NAS 的专业人士和实习生开设几个宝贵的职位，请将您的简历/简历发送至 。 （申请截止日期：待定。） 什么是 HyperGBM HyperGBM是一个支持全流水线AutoML的库，完全涵盖了数据清洗、预处理、特征生成和选择、模型选择和超参数优化的端到端阶段，是真正的表格数据AutoML工具。 概述 与大多数专注于解决机器学习算法超参数优化问题的 AutoML 方法不同，HyperGBM 可以将从数据清理到算法选择的整个过程放在一个搜索空间中进行优化。 端到端管道优化更像是一个顺序决策过程，因此 HyperGBM 使用强化学习、蒙特卡洛树搜索、进化算法结合元学习器来有效解决此类问题。 顾名思义，HyperGBM中使用的ML算法都是GBM模型，更准确的说是梯度提升树模型，目前包括XGBoost、Light

使用GBM作为本地显示系统； 嵌入式图形API以及EGL API简单使用； 可以作为简单的测试或者demo程序；

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

基于EGL/GBM/DRM的opengles开发示例，可以作为学习的起点； GBM/DRM显示可应用在没有xserver的环境，嵌入式开发可能会用到

二叉树 该项目旨在为二项式树定价，并通过更改树参数来观察定价准确性。 此外，还出于比较目的而实施了蒙特卡洛模拟。

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。

数据挖掘算法，GBM，gradient boosting machine，梯度增强机，主要是原理，已经关键参数选择范围。