xgboost调参

每天记录一件值得感恩的事情Day92

同学们太卷了，明天我要继续玄学调参～今天用了bpr，明天用wmf试一试～人生海海，祝你有帆也有
写作业去了·2023-12-22 10:38

模型训练出现 loss = nan

问题：模型不管怎么调参数，损失均为nan换了模型层，换了损失函数，还检查了loss的计算方式。还在其他地方验证了loss计算正确。
六和七·2023-12-21 21:37

PID算法的应用思路（并级PID）

前言：本章我们会根据实际的情况来介绍PID算法的直立环，速度环，转向环的调参技巧。
Young member·2023-12-21 13:03

【debug】pyinstaller 打包报错 xgboost.libpath.XGBoostLibraryNotFound: Cannot find XGBoost Library in the c

python打包报错CannotfindXGBoostLibraryinthec背景solution1solution2solution3notes背景在代码中调用了xgboost依赖包在pyinstaller
凭轩听雨199407·2023-12-21 10:33

常见的分类算法

本文将介绍十种常见的分类算法，包括K-近邻算法、决策树算法、朴素贝叶斯算法、支持向量机算法、逻辑回归算法、神经网络算法、随机森林算法、梯度提升算法、AdaBoost算法和XGBoost算法。
调钟师·2023-12-21 01:01

Task4 建模与调参

使用Lightgbm、XGBoost模型、CatBoost模型进行建模:模型调参：贪心调参方法；采用for循环网格调参方法；GridSearchCV贝叶斯调参方法：BayesianOptimization
1598903c9dd7·2023-12-19 16:12

Apollo control之PID算法

Apollostudio官网：Apollo开发者社区(baidu.com)目录1PID简介2PID调参思路3代码4解决积分饱和的方法4.1IC积分遇限削弱法4.2BC反馈抑制抗饱和1PID简介PID算法有时间离散的
无意2121·2023-12-19 01:34

超详细 | 哈里斯鹰优化算法原理、实现及其改进与利用(Matlab/Python)

具有需调参数少、原理简单易实现、局部搜索能力强等优点。
KAU的云实验台·2023-12-18 23:12

notes2

机器学习ROC曲线、AUC、PR曲线等决策树，ID3、C4.5、CART决策树，随机森林、Adaboost、GBDT决策树，XGBoost、LightGBM逻辑回归，L1L2正则化熵，KL散度，交叉熵micro-f1
lym94·2023-12-18 14:53

如何选择深度强化学习算法：MuZero/SAC/PPO/TD3/DDPG/DQN/等算法

请根据实际任务需要去选择他们，在强化学习的子领域（多智能体、分层强化学习、逆向强化学习也会以它们为基础开发新的算法）：离散动作空间推荐：DuelingDoubleDQN（D3QN）连续动作空间推荐：擅长调参就用
汀、人工智能·2023-12-18 12:18

股票价格预测 | Python实现基于ARIMA和LSTM的股票预测模型（含XGBoost特征重要性衡量）

文章目录效果一览文章概述模型描述源码设计效果一览文章概述Python实现基于ARIMA和LSTM的股票预测模型（Stock-Prediction）DataExtractionFormattingdatafortimeseriesFeatureengineering（FeatureImportanceusingX
算法如诗·2023-12-18 12:36

19 高速列车场景下3Gpp 5G NR的DMRS设计与评估

文章目录解决问题设计DMRS仿真参数仿真结果解决问题多普勒/扩展影响十分显著，设计用于信道估计时，需要考虑解调参考信号，5G用DMRS结构而不是CRS结构，因此需要为高速UE设计DMRS结构，DMRS设计是为了提高信道估计并减低
山丘之王岳岳·2023-12-18 09:09

分布式事务的四种解决方案

一、两阶段提交（2PC）两阶段提交（Two-phaseCommit，2PC），通过引入协调者（Coordinator）来协调参与者的行为，并最终决定这些参与者是否要真正执行事务。
青春埋在这·2023-12-18 09:34

xgboost机器学习算法通俗理解

本算法是GBDT的一种可以通过两个生活中的例子来了解xgboost其思想：XGBoost（eXtremeGradientBoosting）是一种基于梯度提升决策树（GradientBoostingDecisionTree
DJ.马·2023-12-18 06:39

SpringBoot进行自然语言处理，利用Hanlp进行文本情感分析

：CSDN主页放风讲故事每日一句：努力一点，优秀一点目录文章目录**目录**一、说明二、自然语言处理简介三、Hanlp文本分类与情感分析基本概念语料库用Map描述用文件夹描述数据集实现训练分词特征提取调参调参训练模型分类情感分析四
放风讲故事·2023-12-18 03:45

基于DigiThread的仿真模型调参功能

仿真模型调参是指通过调整模型内部的参数值，使仿真模型的输出更符合实际系统的行为或者预期结果的过程。
迪捷软件·2023-12-17 23:53

C# WPF上位机开发（内嵌虚拟机的软件开发）

这中间，开发者可以自己调参数、写脚本，十分方便。在所有的配置都ok之后，直接导出为c、c#code，变成最终的软件输出，部署到客户的电脑上面。其实要做到这一点，也不是很复杂。一种
嵌入式-老费·2023-12-17 07:03

时序预测 | Python实现GRU-XGBoost组合模型电力需求预测

时序预测|Python实现GRU-XGBoost组合模型电力需求预测目录时序预测|Python实现GRU-XGBoost组合模型电力需求预测预测效果基本描述程序设计参考资料预测效果基本描述该数据集因其每小时的用电量数据以及
机器学习之心·2023-12-17 04:04

时序预测 | Python实现LSTM-Attention-XGBoost组合模型电力需求预测

时序预测|Python实现LSTM-Attention-XGBoost组合模型电力需求预测目录时序预测|Python实现LSTM-Attention-XGBoost组合模型电力需求预测预测效果基本描述程序设计参考资料预测效果基本描述该数据集因其每小时的用电量数据以及
机器学习之心·2023-12-17 04:04

50 行代码，看 Python + OpenCV 玩转实时图像处理！

初学OpenCV图像处理的小伙伴肯定对什么高斯函数、滤波处理、阈值二值化等特性非常头疼，这里给各位分享一个小项目，可通过摄像头实时动态查看各类图像处理的特点，也可对各位调参、测试有一定帮助，项目演示效果如下
爬遍天下无敌手·2023-12-16 15:47

cvtcolor python opencv_Python + OpenCV 玩转实时图像怎么处理呢？看我50行代码解决

在学到OpenCV图像处理肯定会遇到过这些问题，比如说高斯函数、滤波处理、阈值二值化等，在这里呢，我给大家分享一个小的项目案例，大家可以结合我的案例，通过摄像头实时动态查看各类图像处理的特点，也可对各位调参
weixin_39920397·2023-12-16 15:46

算法工程师-机器学习面试题总结(8)

目录1.Xgboost和GBDT有什么异同？优点是什么？2.为什么xgboost训练会那么快，主要优化点是什么？3.xgboost是如何处理缺失值的？
学术菜鸟小晨·2023-12-16 15:34

lightgbm调参的关键参数

提高准确率：learning_rate:学习率.默认值：0.1调参策略：最开始可以设置得大一些，如0.1。调整完其他参数之后最后再将此参数调小。
徐卜灵·2023-12-16 04:42

(代码详解)绘制气泡图+详细讲解图例设置+如何正确理解气泡图+气泡大小、颜色+调参

目录气泡图简介：一、导入库二、准备数据三、画气泡图--基础版四、画气泡图--进阶版一(控制气泡大小)解读气泡图：五、画气泡图--进阶版二(控制气泡颜色)(一)用参数c控制气泡颜色(二)用for循环的方法控制气泡颜色(三)给气泡分配指定的颜色(调整气泡颜色分配)六、添加图例(一)图例的一些基本设置--参数讲解(二)图例的排列方式--横向排放(三)调整图例可视化图形大小及透明度(四)给图例添加标题(五
青春之我_XP·2023-12-16 00:29

(代码详解)pyecharts画折线图+多条折线图+参数讲解+美化(有数据)

目录一、完整代码二、调参目的介绍三、代码详解(分段介绍)第一步：导入库第二步：导入数据第三步：处理数据第四步：创建一个名为"line"的Line对象第五步：添加数据第六步：设置全局选项(1)折线图标题设置
青春之我_XP·2023-12-16 00:59

(代码详解)plt.bar()+plt.text()+画直方图/柱状图+调参美化+修改图的背景颜色+添加网格线+设置直方图的随机填充颜色

目录一、目的：二、数据集：三、完整代码：四、代码解析(上面的完整代码分开讲解)：(一)plt.bar()参数补充1：分别给每根柱子设置宽度补充2：使每根柱子的填充颜色随机(二)plt.tetx()参数(三)修改背景颜色(四)添加网格线(五)写个for循环，将plt.bar()和plt.text()整合到一起一、目的：下面介绍如何利用python画直方图/柱状图，并且美化，得到如下图：二、数据集：导
青春之我_XP·2023-12-16 00:58

Course2-Week4-决策树

构建决策树——多元输入特征2.4构建决策树——连续的输入特征2.5构建回归树——连续的输出结果(选修)2.6代码实现-递归构建单个决策树3.决策树集合3.1使用决策树集合3.2袋装决策树3.3随机森林3.4XGBoost
虎慕·2023-12-16 00:28

特权FPGA学习笔记

vivadoHLS------------->RTL门电路，省去了HDL语言的中间转换，可以看作是C向C#的演进，基于zynq面向以前使用C的开发人员，但是个人觉得，HDL存在且未被C取代，工具的着眼点就是面向底层调参
chinxue2008·2023-12-15 11:25

m1通过源码编译xgboost4j的jar

1、下载源码gitclone--recursivehttps://github.com/dmlc/xgboostcdxgboost编译xgboost的动态链接库dylib，m1源码编译xgboost的动态链接库
纷飞梦雪·2023-12-15 02:36

【Python百宝箱】从平凡到卓越：如何通过评估和调优提升机器学习模型质量

本文将引导您探索scikit-learn、XGBoost、LightGBM和CatBoost等流行工具库，详细介绍它们提供的模型评估工具和调优技巧。
friklogff·2023-12-14 18:22

ESP32使用mpu6050以及pid调参

pid//pid参考教程https://www.xpstem.com/article/10120#include#includeMPU6050mpu6050(Wire);//pid相关参数unsignedlonglastTime;doubleInput,Output,Setpoint;doubleITerm,lastInput;doublekp,ki,kd;intSampleTime=1000;/
dsxcode·2023-12-07 00:20

【学习记录】PID原理学习以及在matlab/simulink中实现PID调参

PID是什么PID：基于误差来消除误差的控制策略,就是“比例P（proportional）+积分I（integral）+微分D（derivative）”，是一种常见的“保持稳定”控制算法。PID表达式：比例P（proportional）+积分I（integral）+微分D（derivative）现在——过去——将来实例使用比例控制（P）r：希望输出x：实际输出e：误差（error）在simulin
dumpling0120·2023-12-06 18:46

【HyperQuest】调参

以此篇文章记录我的调参结果和个人总结，如果大家有更好的效果，欢迎留言交流~2调参思路最开始：没有regulation，learningrate较大，网络模型简单如果train和test接近且准确率高，说明模型
MORE_77·2023-12-06 17:22

【PID学习笔记 5 】控制系统的性能指标之一

写在前面PID在实际工程中最重要的工作就是调参，那么首先就要了解控制系统的性能指标。上文最后简要介绍了控制系统的基本要求，本文开始将系统学习控制系统的性能指标，内容比较多，初步计划是分三节来讲解。
MJY@二进制·2023-12-06 15:28

Gradient Boosting Machines

training_frame=train,model_id="GBM",nfolds=10,validation_frame=valid)h2o.varimp(m)h2o.performance(m,test)调参数
Liam_ml·2023-12-06 15:22

求助，有关Kriging 代理模型相关问题

还有就是Matlab里面提供的KrigingToolbox使用工具感觉有点麻烦，不知道怎么调参数运用。
Taylor .·2023-12-06 14:08

ZFS管理手册：第七章池的属性

比如设置标签、默认挂载选项和其他可调参数。对于ZFS，同样是可以设置的，而且它要复杂得多。它允许我们修改括池及其包含的dataset的属性。因此，我们可以根据自己的喜好或需要“调优”文件系统。
Kyle__Shaw·2023-12-06 11:34

【模型可解释性系列一】树模型-拿到特征重要度-打印关键因素

常用的树模型xgboost、lightgbm这两个模型经常被使用，具体原理不讲了，可以巴拉一下之前的博客，为了面试曾经很认真的推导整理过资料，已经放在博客上，与有缘人共享。
凝眸伏笔·2023-12-06 00:36

uniapp实现表格的多选功能

最近需要做一个数据多选功能，我用到了uniapp的table组件，这个组件自带多选的功能，只需要将type设置为section然后官方给出了多选触发事件该事件的回调参数中，返回index和vlaue,而
陌笑忆伤·2023-12-05 21:36

阻抗控制下机器人接触刚性环境振荡不稳定进行阻抗调节

md=5虚拟阻抗为：kd=100，bd=10，md=10性能滤波函数的Bode图：bode(1e5/(0.0005*s^2+5*s+1))bode(5e4/(0.1*s^2+3*s+1))性能低通滤波调参
FL17171314·2023-12-05 20:46

在Vue的组件事件中，如何传自定义参数

如@change事件如果我们直接在函数后面写上自定义的参数，那么是会丢失原先的回调参数的//错误写法@change="changeFunc(arg)"正确写法//arg1、arg2是自定义的参数@change
LuckyVc·2023-12-05 13:20

C++ 文件操作之配置文件读取

C++文件操作之配置文件读取在项目应用时常常会涉及一些调参工作，如果项目封装成了.exe或者.dll，那么频繁调参多次编译是一件十分低效的事情，如果代码算法或者逻辑是一定的，那么参数完全可以通过读入配置文件来获取之前在用
明月醉窗台·2023-12-05 07:28

粒子群算法调参支持向量回归进行预测（PSO-SVR）Python实现

目录一、算法简介二、示例1.导入库包、数据以及数据预处理2.利用粒子群算法调优参数gamma和C3.模型训练与预测4.对模型进行性能评估5.结果展示三、代码总结SVR.pyPSO_SVR.py一、算法简介SVR（支持向量回归）是一种有效的非线性回归方法，它可以通过寻找一组最优参数来拟合数据。粒子群算法是一种优化算法，可以用于找到最佳的SVR参数。以下是使用粒子群算法进行SVR参数调优的步骤：确定S
镜子kk·2023-12-05 06:26

056B R包ENMeval教程-基于R包ENMeval对MaxEnt模型优化调参和结果评价制图(更新)

056B-1资料下载056B-2R包ENMeval在MaxEnt模型优化调参中的经典案例解读056B-3R软件和R包ENMeval工具包安装056B-4R软件和R包ENMeval安装报错解决办法056B
生信小窝·2023-12-04 17:19

055B ENMTools教程-基于R语言对MaxEnt模型优化调参教程 2022.01.03更新

055B-1软件-文献-数据等055B-2ENMTools软件下载安装055B-3R软件和工具包安装055B-4生物气候因子的精度说明与选择方法（理论课程）055B-5利用R批量将TIF栅格数据转为ASC数据055B-6基于ENMTools筛选分布数据（避免过拟合）055B-7基于ENMTools对气候因子的相关性分析055B-8MaxEnt软件参数含义说明-参数优化内容（理论课程）055B-9基
生信小窝·2023-12-04 17:48

055B ENMTools教程-基于R语言对MaxEnt模型优化-MaxEnt调参教程--更新日期2021-9

055B-1视频附带资料下载和密码：软件-数据-文献下载-持续更新055B-2ENMTools软件下载安装055B-3R软件和工具包安装055B-4生物气候因子的精度说明与选择方法（理论课程）055B-5利用R批量将TIF栅格数据转为ASC数据055B-6基于ENMTools筛选分布数据（避免过拟合）055B-7基于ENMTools对气候因子的相关性分析055B-8MaxEnt软件参数含义说明-参
生信小窝·2023-12-04 17:47

基于XGBoost的中国GDP分析与预测（上）

摘要...1第1章绪论...11.1研究背景...11.2研究意义...11.3课程设计的主要内容...2第2章国内生产总值数据预处理...32.1数据集概述...32.1.1数据来源...32.1.2数据指标含义...32.2数据清洗...42.2.1缺失数据处理...42.2.2清除冗余数据...52.3数据变换...62.3.1数据规范化处理...6第3章国内生产总值年度数据分析...73.
葳蕤Vantal·2023-12-04 07:45

【自然语言处理】【大模型】VeRA：可调参数比LoRA小10倍的低秩微调方法

VeRA：可调参数比LoRA小10倍的低秩微调方法《VeRA：Vector-basedRandomMatrixAdaptation》论文地址：https://arxiv.org/pdf/2310.11454
BQW_·2023-12-04 02:32

SHAP（四）：NHANES I 生存模型

它旨在说明SHAP值如何能够以传统上仅由线性模型提供的清晰度解释XGBoost模型。我们在数据中看到有趣的非线性模式，这表明了这种方法的潜力。
rgb2gray·2023-12-03 13:57

SHAP（六）：使用 XGBoost 和 HyperOpt 进行信用卡欺诈检测

SHAP（六）：使用XGBoost和HyperOpt进行信用卡欺诈检测本笔记本介绍了XGBoostClassifier在金融行业中的实现，特别是在信用卡欺诈检测方面。
rgb2gray·2023-12-03 13:27
上一页 2 3 4 5 6 7 8 9 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他