xgboost调参

***机器学习/深度学习 调参方法

本文主要整合了网络资源关于调参的一些见解，具体内容如下：一、机器学习调参方法1、超参数调节方法：手动调参需要experiencegridsearch类深度学习“规则搜索”随机搜索类深度学习“随机搜索”自动贝叶斯调参假设我们要调节的参数集为
Sarah ฅʕ•̫͡•ʔฅ·2023-02-01 17:12

深度学习这么调参训练_天桥调参师秘籍：一份深度学习超参微调技术指南

有时候他们自嘲自己为“天桥调参师”。当然，算法工程师的工作内容并没有那么简单，因为设置超参数的过程需要专业知识和广泛的试验和试错过程。
吾酔淸風·2023-02-01 17:41

深度神经网络调参——实用指南

整理自《HandsOnML》——chapter11DNN有很多参数可以调节，如何选择各种参数的设置是个难题。（1）Table11-2在很多问题中表现都很好。表中的参数有时候需要调节：（a）如果找不到合适的learningrate（太小收敛太慢；太大不够准确），可以尝试指数衰减（exponentialdecay）的learningschedule。（b）如果训练集太小了，可以尝试dataaugmen
南瓜派三蔬·2023-02-01 17:38

深度学习调参指南《Deep Learning Tuning Playbook》

项目地址：https://github.com/google-research/tuning_playbook「大量的实践经验已被提炼成这份强大的深度学习模型调参指南。」
mingo_敏·2023-02-01 17:03

XGBoost 知识点总结

训练损失+正则化1.1.3为什么需要一般性原则1.2决策树集成1.3树提升1.3.1AdditiveTraining1.3.2模型复杂度1.3.3结构分1.3.4学习树结构1.4小结二、公式推导解释2.1XGBoost
dfsj66011·2023-02-01 15:09

LSTM预测中国疫情确诊数据调参分析

0.如何调参基础参数model=Sequential()model.add(GRU(1000,input_shape=(train_X.shape[1],train_X.shape[2])))model.add
立志当大佬·2023-02-01 14:17

Linux机器学习环境搭建记录

Linux机器学习环境搭建记录1.NVIDIA显卡驱动安装2.Anaconda安装3.Pytorch与FastAI4.XGBoost，CatBoost和LightGBMNVIDIA显卡驱动安装下载.run
ironyl·2023-02-01 14:14

集成算法终极模型之《手撕 xgboost》—附详细手推公式

关注+星标，听说他有点东西全文共4255字，阅读全文需16分钟写在前面的话大家好，我是小一今天的文章从标题就能看出来，主要是对于xgb模型的推导。强烈建议仔细看完写在前面的话再开始阅读正文。在学习xgb、lgb之前我也有些拒绝，因为这部分确实涉及到公式的推导和思维上的跳跃，难以接受是人之常情。但是我要说的是：涉及到的公式推导并不难，求导会吧？泰勒公式学过吧？会这两个基本就够了。思维上的跳跃就更容易
小一的学习笔记·2023-02-01 12:34

手推公式+项目实操复现！《机器学习》完整详解

想去深入理解一些算法的核心内涵却被XGBoost|GBDT等算法劝退了！
zenRRan·2023-02-01 12:59

比啃西瓜书更高效的“机器学习”方法

想去深入理解一些算法的核心内涵却被XGBoost|GBDT等算法劝退了！
PaperWeekly·2023-02-01 12:27

谷歌大脑深度学习炼丹指南出炉，Hinton点赞！

编辑|机器之心点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【全栈算法】技术交流群「大量的实践经验已被提炼成这份强大的深度学习模型调参指南。」
自动驾驶之心·2023-02-01 12:24

深度学习调参（炼丹）指南来了！

Datawhale干货方向：深度学习调参，编辑：机器之心「大量的实践经验已被提炼成这份强大的深度学习模型调参指南。」——GeoffreyHinton。众所周知，AI的超参数决定着模型学习效果和速度。
Datawhale·2023-02-01 12:24

Deep Learning Tuning Playbook（深度学习调参手册中译版）

前言由五名研究人员和工程师组成的团队发布了《DeepLearningTuningPlaybook》，来自他们自己训练神经网络的实验结果以及工程师的一些实践建议，目前在Github上已有1.5k星。原项目地址本文为《DeepLearningTuningPlaybook》中文翻译版本，全程手打，非机翻。因为本人知识水平有限，翻译过程中可能有误，随时欢迎大家指出错误，我会随时更正。我将markdown文
羽星_s·2023-02-01 12:22

bert-lstm调参记录

11-6第一次跑全量数据#定义全局超参数batch_size=64lr=4e-5dropout=0.15epoch=5max_length=512#句子长度sent_hidden_size=512#隐藏层维度sent_num_layers=2lstm_dropout=0.5-------------------------------*****Runningtrainingepoch1*****E
神洛华·2023-02-01 10:05

【调参Tricks】WhiteningBERT: An Easy Unsupervised Sentence Embedding Approach

总述该文主要介绍了三种使用BERT做SentenceEmbedding的小Trick，分别为：应该使用所有tokenembedding的average作为句子表示，而非只使用[CLS]对应位置的表示。在BERT中应该使用多层的句向量叠加，而非只使用最后一层。在通过余弦相似度做句子相似度判定的时候，可以使用Whitening操作来统一sentenceembedding的向量分布，从而可以获得更好的句
lwgkzl·2023-02-01 10:34

学习笔记-Bert及其变体调参经验

Bert调参：1、bert的微调可以将参数设置为：bachsize：设置为16或者32learningrate（Adam）：5e-5、3e-5、2e-5（比较小的学习率）numofepochs：2，3，
吉庆@数据安全·2023-02-01 10:04

RoBERTa：一种鲁棒地优化BERT预训练的方法

RoBERTa：一种鲁棒地优化BERT预训练的方法前言背景实验静态VS动态Masking输入形式与NSP任务更大的batch_size更大的BPE词汇表总结使用最后前言本文提出了一种对BERT预训练进行精细调参和调整训练集的方法
beyourselfwb·2023-02-01 10:04

天池&Datawhale-零基础入门数据挖掘Task4

评价函数与目标函数；交叉验证方法；留一验证方法；针对时间序列问题的验证；绘制学习率曲线；绘制验证曲线；3、嵌入式特征选择：Lasso回归；Ridge回归；决策树；4、模型对比：常用线性模型；常用非线性模型；5、模型调参
微微微微辣·2023-02-01 03:59

（笔记）深度学习基本概念理解01

（这种规律：通过模型架构+调参得到)深度学习步骤1.初始化一个模型（参数可随机取）+带标签的训练集和测试集（验证集）。2.训练集带入模型得到结果。3.得到的结果和真实结果做比较，其中的差距就是损失。
·2023-02-01 00:54

【Cartographer参数详解，调参，降低计算量调优笔记记录】

Cartographer学习记录文章目录Cartographer学习记录前言一、cartographer参数详解二、.lua文件参数详解1.rs16_2d_outdoor.lua2.trajectory_builder.lua3.trajectory_builder_2d.lua3.trajectory_builder_3d.lua4.map_builder.lua5.pose_graph.lua
xjblalala·2023-01-31 19:47

【李宏毅2022 机器学习春】hw4_Self-Attention（接近 strong baseline，等待改进中）

4Self-Attention】Speakerclassification记录（双过strongbaseline）（待改进）做了conformer却没达到strongbaseline，参数用的默认参数（没有调参
I"ll carry you·2023-01-31 18:54

几乎0操作体验AI生成绘画，不能再小白了！#playgroundai

‍‍用DiscoDiffusion不会调参数，StableDiffusion不会找关键词，Midjourney要付费，DALLE2没申请到体验名额......尽管现在AI生成工具已经遍地开花，也几乎是0
shadowcz007·2023-01-31 17:47

CatBoost自动调参—Optuna和Hyperopt耗时和效果对比

1、摘要本文主要讲解：Optuna和Hyperopt性能对比2、数据介绍如需数据请私聊3、相关技术optuna主要的调参原理如下：1采样算法（随机搜索）利用suggested参数值和评估的目标值的记录，
AI信仰者·2023-01-31 17:17

我的开源之路：耗时 6 个月发布线程池框架，GitHub 1.7k Star！

对这方面功能有需求的小伙伴可以入手了哈～Hippo4J简介Hippo4J基于美团动态线程池设计理念开发，针对线程池增强动态调参、监控、报警功能。
是龙台呀·2023-01-31 17:26

手把手带你调参Yolo v5（一）

来源：投稿作者：王同学编辑：学姐YOLO系列模型在目标检测领域有着十分重要的地位，随着版本不停的迭代，模型的性能在不断地提升，源码提供的功能也越来越多，那么如何使用源码就显得十分的重要，接下来我会通过两篇文章带大家手把手去了解Yolov5（v6.1）的每一个参数的含义，并且通过具体的图片例子让大家明白每个参数改动将会给网络带来哪些影响。1.代码获取方式项目地址：https://github.com
深度之眼·2023-01-31 12:08

谷歌&HuggingFace | 零样本能力最强的语言模型结构

但有一件事让人非常疑惑：19年T5通过“调参”发现
数据派THU·2023-01-31 10:04

使用word2vec和xgboost寻找Quora上的相似问题

onearticleatatime.Sr.DataScientist,TorontoCanada.Opinion=myown.http://www.linkedin.com/in/susanli/使用word2vec和xgboost
凌冰_lonny·2023-01-31 09:58

XGBRegressor参数详解

XGBRegressor参数详解：importxgboostasxgbfromxgboostimportplot_importanceimportmatplotlib.pyplotaspltfromsklearn.model_selectionimporttrain_test_splitfromsklearn.datasetsimportload_bostonfromsklearn.metrics
Ling_Ze·2023-01-31 07:08

数据挖掘实践任务3

任务3-建模（2天）用逻辑回归、svm和决策树；随机森林和XGBoost进行模型构建，评分方式任意，如准确率等。
乌和兔·2023-01-31 00:54

学习笔记-XGBOOST

XGBOOST是GBDT模型的升级版，同样也用到了adboosting的思想一预备知识XGBOOST是前向加法模型，那么有公式：设表示第n棵树的模型，那么就有所以第k次生成的模型为目标函数的定义设有个样本
Pluto_wl·2023-01-30 23:23

龙珠训练营机器学习笔记task02

spm=5176.14154004.J_1266466330.3.7a8d5699Pw7IFp一、学习知识点概要机器学习-XGBoost1.实验室介绍1.1XGBoost的介绍1.2XGb
book思议119·2023-01-30 16:29

天池龙珠计划——机器学习训练营 Task2

目录前言XGBoost介绍基于天气数据集的XGBoost分类实战前言笔记，记录龙珠机器学习训练营的第二阶段，关于xgboost的学习XGBoost介绍xgboost有听说过，也在kaggle上经常看到有人用
G-Jarvey·2023-01-30 16:27

重修-龙珠计划机器学习训练营task2-XGBoost part2学习笔记

一、学习知识点概要基于天气数据集的XGBoost分类实战：掌握XGBoost的Python调用并将其运用到天气数据集预测。二、学习内容Part1基于天气数据集的XGBoost分类实践导入数据!
鹎鹎·2023-01-30 16:26

龙珠训练营机器学习笔记task03

spm=5176.14154004.J_1266466330.3.7a8d5699Pw7IFp一、学习知识点概要机器学习-XGBoost1.实验室介绍1.1XGBoost的介绍1.2XGb
a_little_pig_·2023-01-30 16:53

手把手带你调参Yolo v5 (v5.0-v7.0)（一）

手把手带你调参Yolov5(v5.0-v7.0)（一）如果感觉有帮助的话请点赞支持下更新日志：2022/5/3修改了4.2.12一处图片标注错误更新日志：2022/5/17对部分图片添加水印更新日志：2022
AiCharm·2023-01-30 12:26

Python信贷风控模型：Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付

全文链接：http://tecdat.cn/?p=26184在此数据集中，我们必须预测信贷的违约支付，并找出哪些变量是违约支付的最强预测因子？以及不同人口统计学变量的类别，拖欠还款的概率如何变化？（点击文末“阅读原文”获取完整代码数据）相关视频有25个变量：1.ID：每个客户的ID2.LIMIT_BAL：金额3.SEX：性别（1=男，2=女）4.教育程度：（1=研究生，2=本科，3=高中，4=其他
拓端研究室TRL·2023-01-30 12:17

GCDMulticastDelegate使用（多播委托）

有什么方式即可以“一对多”回调，又可以明确回调参数类型呢！答案是有的，就是我们今天介绍的GCDMulticastDelegate1、GCDMult
落寞绅士·2023-01-29 23:37

Xgboost原理与Sklearn参数详解

目录1、Xgboost原理2、总结1、Xgboost原理Xgboost2、总结：本文主要分析了Xgboost和GBDT原理上的区别，并总结了Xgboost核心参数，以及调参的主要流程及方法。
易码当先·2023-01-29 21:06

Process finished with exit code -1073740791 (0xC0000409)

在使用pycharmrun一个机器学习的xgboost的demo时，出现了如下图所示的问题。经过查阅相关的资料说是显卡不足，通过询问大佬，需要如下方法解决：亲测有效。
karla123·2023-01-29 19:48

SVM.SVC调参实战总结与指南

一、APISVC(C=1.0,kernel=’rbf’,degree=3,gamma=’auto_deprecated’,coef0=0.0,shrinking=True,probability=False,tol=0.001,cache_size=200,class_weight=None,verbose=False,max_iter=-1,decision_function_shape=’ov
NanciZhao·2023-01-29 16:50

随机森林算法实现

看到一篇超级详细的随机森林算法调参的文章，分享出来Python机器学习笔记：随机森林算法-战争热诚-博客园
Idie_·2023-01-29 12:38

基于社交网络深度学习（报告记录）

深度学习算法RNN工具XGboostWeka特征贡献：1.时间序列特征，重要2.时空特征，用户社交特征等，一般特点1.动态，细粒度考虑用户特征2.真实数据（爬虫，一定量的人工筛选）3.拓展，不止可以检测恶意用户
EratoQ·2023-01-29 11:30

微信小程序闭包

有没有大佬帮我解答下，比如封装微信的网络请求wx.request，有三个回调success、fail、complete，但是Promise只有两个回调参数，这种情况该如何处理。
guaker·2023-01-29 09:26

从集成学习到XGBoost算法

XGBoost一.XGBoost的前世今身1.集成学习(三个臭皮匠赛过诸葛亮)①集成学习通过构建并结合多个学习器来完成学习任务。
Pastore_Zx·2023-01-29 05:13

DataWhale 第17期组队学习经验分享(IV)2020-09-24

4.1学习目标学习在金融分控领域常用的机器学习模型学习机器学习模型的建模过程与调参流程完成相应学习打卡任务4.2内容介绍逻辑回归模型：理解逻辑回归模型；逻辑回归模型的应用；逻辑回归的优缺点；树模型：理解树模型
華麗過去了會灰到記起·2023-01-29 03:06

catboost参数详解及实战（强推）

目录一参数详解二实战1导包2数据读取3贷后y标签分布，逾期率20%4预处理5特征分布6特征分组7初始参数8catboost建模函数9初始模型10特征重要性11贝叶斯调参一参数详解由于catboost参数较多
Python风控模型与数据分析·2023-01-28 22:52

xgboost缺失值处理

xgb作为常用的集成模型，不仅是当前工业落地最常用的模型之一、而且几乎是风控面试的必考点，从gbdt到xgboost，有一个重要的新增特性就是模型可自行处理缺失值，减少我们在预处理过程中的工作量、不需要再进行缺失填充
Python风控模型与数据分析·2023-01-28 22:52

python网格搜索、贝叶斯调参实战

目录一、交叉验证二、网格搜索三、贝叶斯优化建模的整个过程中最耗时的部分是特征工程（含变量分析），其次可能是调参，所以今天来通过代码实战介绍调参的相关方法：网格搜索、贝叶斯调参。
Python风控模型与数据分析·2023-01-28 22:52

【互联网品读】因读研拒了微信，做CV研究，原来是调参，极度后悔

发现高大上的CV业务，原来只是调调参数，没有意思，能落地的极少，感觉再过几年这波热钱烧完了，行业也该凉大半。对CV岗位前景不看好。现在极度后悔读研，而且还拒绝了微信offer。
Jennifer86·2023-01-28 20:00

吴恩达机器学习课后作业5——怎么通过观察偏差和方差（bias vs variance）来调参

1.问题和数据在本练习中，您将实现正则化线性回归，并使用它来研究具有不同偏差-方差特性的模型。在练习的前半部分，您将实现正则化线性回归，利用水库水位的变化来预测从大坝流出的水量。在后半部分中，您将对调试学习算法进行一些诊断，并检查偏差和偏差的影响。 之前的题目中我们只用到了训练集，用训练集来训练模型，又用训练集来验证模型，这样的泛化能力就比较差。正常做法一般是先用训练集进行模型训练，训练好几个模型
学吧 学无止境·2023-01-28 16:45
上一页 24 25 26 27 28 29 30 31 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他