Публикации по теме 'xgboost'
Отсеивание шума с помощью ML
Использование XGBoost для улучшения предварительной обработки данных и полуавтоматического выбора пользовательских данных
Работа с любыми «реальными» данными требует извлечения сигнала из шума, иногда из большого количества шума. Как говорится, «мусор на входе, мусор на выходе». Любой опытный специалист по данным скажет вам, что лучше использовать «плохую» модель с хорошими данными, чем «отличную» модель с плохими данными. Но часто время и усилия, необходимые для этого этапа..
Прогнозирование диаметра астероида с помощью машинного обучения
~ Мотивация ~
«Если на Землю ударит астероид, игра окончена. Для цивилизации это Ctrl-Alt-Delete », - Билл Най, ученый
Вдохновением для этого проекта послужил конкурс Kaggle по предсказанию диаметра астероида. Вы можете найти ссылку и дополнительную информацию здесь .
Были проведены обширные исследования по прогнозированию диаметров астероидов из-за потенциального ущерба, который они наносят, если эти объекты столкнутся с Землей. Тем не менее, отсутствие достаточных..
Повышение градиента и экстремальное усиление градиента (XGBoost)
Понимание повышения градиента и экстремального повышения градиента (XGBoost)
Повышение градиента
Градиент Boosting – это ансамблевая модель обучения. Модели ансамблевого обучения также называют слабыми учениками и обычно представляют собой деревья решений. В этом методе используются две важные концепции: градиентный спуск и усиление . Существует несколько вариантов Gradient Boosting, о которых мы поговорим позже в этой статье.
Экстремальное повышение градиента (XGBoost)..
Машинное обучение в прогнозировании состояний фондового рынка
В начале 2022 года я участвовал в соревнованиях IAQF с товарищами по команде. Здесь я кратко представлю нашу идею решения проблемы. Наша задача — прогнозировать состояния фондового рынка (бычье, медвежье, статическое) по данным индекса Russell 3000 (2003–2021) и соответствующим образом реализовывать торговые стратегии. Эффективность нашей торговой стратегии измеряется сравнением со стратегией «купи и держи». В части 1 представлена основная идея нашей исследовательской работы. Во второй..
Ускорение обучения модели: многопроцессорность
Я потратил около 50 часов на обучение моделей XGBoost на своем ноутбуке, так что вам это не нужно!
Введение
Недавно я работал над проектом по ускорению обучения больших языковых моделей и решил написать об этом эксперименте в серии постов в блоге.
В этом посте я оценил время, необходимое для обучения классификатора XGBoost с оболочкой scikit-learn на 20 группах новостей наборе текстовых данных . Для этого я обучил модель 50 раз на одном, 4 и 8 ядрах ЦП, используя методы..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..