机器学习----相关链接

【机器学习完整流程----python】

1，构建五种机器学习模型作比较（某金融数据集）

https://blog.csdn.net/qq_41205464/article/details/84311363

 

【如何选择合适的机器学习模型？】

1，在实际项目中，如何选择合适的机器学习模型？

https://blog.csdn.net/gitchat/article/details/78913235

 

【机器学习__算法__SVM】

1，SVM学习总结

https://blog.csdn.net/qq_20834721/article/details/51290169?utm_source=blogxgwz3

 

【机器学习__算法__神经网络】

1，神经网络模型学习笔记（ANN,BPNN）

https://blog.csdn.net/yinjiakang/article/details/77622372

 

【机器学习__算法__随机森林(极限树)】

1，随机森林(randomForest)和极限树或者叫做极端随机树(extraTree)

https://blog.csdn.net/lc574260570/article/details/81813889

2，RandomForest:随机森林

https://blog.csdn.net/fontthrone/article/details/79074154

3，机器学习--组合分类方法之随机森林算法原理和实现（RF）

https://blog.csdn.net/weixin_42398658/article/details/83474885

4，Random Forest 和 Extreme Randomized Tree

https://blog.csdn.net/weixin_42699405/article/details/81645740

5，机器学习的几种方法（knn，逻辑回归，SVM，决策树，随机森林，极限随机树，Adaboost）

https://blog.csdn.net/fanzonghao/article/details/85260775

6，集成学习和随机森林的简单概念笔记

https://blog.csdn.net/programmingfool5/article/details/78506053

7，随机森林总结笔记

https://blog.csdn.net/weixin_38405636/article/details/80676430

8，Extremely Randomized Trees(ExrRa Trees)

https://blog.csdn.net/kay_wk/article/details/81782654

 

【机器学习__算法__GBDT(梯度提升决策树)】

1，机器学习中的算法(1)-决策树模型组合之随机森林与GBDT

https://www.cnblogs.com/LeftNotEasy/archive/2011/03/07/1976562.html

2，随机森林和GBDT的区别

https://blog.csdn.net/login_sonata/article/details/73929426

3，Random Forest 与 GBDT 的异同

https://blog.csdn.net/wh137795233/article/details/47750151

4，机器学习之GBDT、XGBoost

https://blog.csdn.net/liuy9803/article/details/80640219

5，XGBoost中参数调优的完整指南（含Python-3.X代码）

https://blog.csdn.net/ASIA_kobe/article/details/78561231

6，XGBOOST参数调优

https://blog.csdn.net/xuxiatian/article/details/81364680

7，对梯度提升树GBDT最通俗的介绍

https://blog.csdn.net/T7SFOKzorD1JAYMSFk4/article/details/81073705

8，『机器学习笔记 』GBDT原理-Gradient Boosting Decision Tree

https://blog.csdn.net/shine19930820/article/details/65633436

9，机器学习：GBDT（梯度提升决策树）

https://blog.csdn.net/abc_138/article/details/82751977

10，GBDT梯度提升树算法原理小结（一）

https://blog.csdn.net/xiaocong1990/article/details/72353572

11，集成学习之梯度提升决策树（GBDT）

https://blog.csdn.net/tunghao/article/details/86305033

12，从决策树到GBDT梯度提升决策树和XGBoost

https://blog.csdn.net/asd136912/article/details/78556362

13，xgboost.XGBClassifier 分类算法 参数详解

https://blog.csdn.net/qq_36603091/article/details/80592157

 

【机器学习__算法__集成学习】

1，集成学习——组合不同的模型

https://blog.csdn.net/miaoyanmm/article/details/82670932

2，[机器学习]集成学习--bagging、boosting、stacking

https://blog.csdn.net/zwqjoy/article/details/80431496

3，集成学习之Bagging和Boosting

https://mopheiok.github.io/machinelearning/bagging_boosting/

4，机器学习之集成学习

https://www.cnblogs.com/hxyue/p/5843454.html

5，集成学习方法及思想总结

https://blog.csdn.net/nini_coded/article/details/79341485

 

【机器学习__算法__Boosting】

1，Adaboost、GBDT与XGBoost的区别

https://blog.csdn.net/hellozhxy/article/details/82143554

2，Adaboost、GBDT、XGBoost的对比理解

https://blog.csdn.net/herr_kun/article/details/81139457

3，机器学习算法二：详解Boosting系列算法一Adaboost

https://blog.csdn.net/weixin_38629654/article/details/80516045

 

【机器学习__python__SVM】

1，sklearn.svm.SVC 参数说明

https://www.imooc.com/article/details/id/40903

2，SVM的sklearn.svm.SVC实现与类参数

https://www.cnblogs.com/eniac1946/p/7373548.html

3，机器学习之SVM分类器学习理解以及Python实现

https://www.cnblogs.com/albert-yzp/p/9525162.html

4，支持向量机(SVM)不平衡样本处理方法
https://blog.csdn.net/weixin_44158517/article/details/87900689

5，SVM 解决类别不平衡问题(scikit_learn)
https://blog.csdn.net/ericcchen/article/details/79334042

6，Sklearn中关于SVM：处理不平衡问题及使用建议
https://blog.csdn.net/u010397021/article/details/79928916

7，机器学习库sklearn中svm函数特性详解
http://www.stardustsky.net/index.php/post/53.html

8，svm的使用细节
https://blog.csdn.net/ningyanggege/article/details/80897521

9，SVM的两个参数 C 和 gamma

https://blog.csdn.net/lujiandong1/article/details/46386201

10，SVM 调参策略

https://blog.csdn.net/qinghuaci666/article/details/81914892

 

【机器学习__python__神经网络】

1，机器学习——python sklearn MLPClassifier

https://blog.csdn.net/guanyuqiu/article/details/85332180

2，scikit-leran学习笔记（3）---神经网络模型（有监督的）

https://blog.csdn.net/haiyu94/article/details/53001726

3，【sklearn第十八讲】神经网络模型

https://blog.csdn.net/wong2016/article/details/81032875

4，sklearn中神经网络的三种实现

https://blog.csdn.net/weixin_33795806/article/details/87837415

5，python3 5.用BP神经网络和sklearn识别手写数字 学习笔记

https://blog.csdn.net/mcyjacky/article/details/85226752

 

【机器学习__python__GBDT(梯度提升决策树)】

1，scikit-learn 梯度提升树(GBDT)调参小结

https://www.cnblogs.com/DjangoBlog/p/6201663.html

 

 

【机器学习__python__调参】

1，用 Grid Search 对 SVM 进行调参

https://blog.csdn.net/aliceyangxi1987/article/details/73769950

2，gridSearchCV（网格搜索）的参数、方法及示例

https://blog.csdn.net/qq_26247503/article/details/84785932

3，随机搜索RandomizedSearchCV原理

https://blog.csdn.net/qq_36810398/article/details/86699842

4，参数优化（网格搜索GridSearchCV、随机搜索RandomizedSearchCV、hyperopt）

http://www.data-master.net/79831703

5，机器学习教程 之 参数搜索：GridSearchCV 与 RandomizedSearchCV

https://blog.csdn.net/Liangjun_Feng/article/details/79809037

6，为什么贝叶斯优化比网格搜索和随机搜索更高效呢？

https://blog.csdn.net/gzj533/article/details/77734310

7，强大而精致的机器学习调参方法：贝叶斯优化

https://blog.csdn.net/peiwang245/article/details/82930210

 

【机器学习__python__不平衡数据集】

1，数据不平衡imblearn算法汇总

https://blog.csdn.net/qq_31813549/article/details/79964973

2，Python sklearn 实现过采样和欠采样

https://blog.csdn.net/qq_27802435/article/details/81201357

3，SMOTE算法(人工合成数据)

https://blog.csdn.net/jiede1/article/details/70215477

 

【机器学习__python__评估指标】

1，机器学习笔记－－classification_report&精确度/召回率/F1值

https://blog.csdn.net/akadiao/article/details/78788864

2，精确率(Precision)、召回率(Recall)与F1值

https://www.jianshu.com/p/1ff25054930b

3，弄清楚机器学习中的评价指标：混淆矩阵、Acuracy、Precision、Recall、F1-Score、ROC、AUC

https://blog.csdn.net/chekongfu/article/details/86235791

4，机器学习：性能度量_分类_混淆矩阵、查准率(precision)、查全率(recall)

https://blog.csdn.net/bqw18744018044/article/details/81024891

 

【机器学习__数据__不平衡数据集】

1，数据嗨客 | 第6期：不平衡数据处理

https://blog.csdn.net/mmc2015/article/details/51721282

 

【机器学习__综合__交叉验证】

1，交叉验证（简单交叉验证、k折交叉验证、留一法）

https://blog.csdn.net/u010451580/article/details/51373081

2，交叉验证

https://blog.csdn.net/u013719807/article/details/25719425