- Author: Maxiao
- E-Mail: [email protected]
- GitHub: https://github.com/Albertsr
1.1 【逻辑回归】理论详解:Logistic Regression
1.2 【决策树】理论详解:Decision Tree
1.3 【朴素贝叶斯】理论详解: Naive Bayesian
-
1)GBDT:GBDT理论详解
-
2)GBDT+LR:GBDT与LR的融合理论详解
-
3)XGBoost:XGBoost理论详解
-
自定义损失函数:
-
通过early_stopping确定合理的基学习器个数:
-
-
4)AdaBoost:AdaBoost详解
-
5) LightGBM:LightGBM详解
-
1)Stacking:Stacking详解
-
2)二级Stacking的个人实现:stacking_models.py
-
3)个人实现与Mlxtend对比: stackingmodels_vs_mlxtend.py
- 基本**: 运用GridSearch的思路在参数的笛卡尔积中寻找最佳聚类参数
- 代码实现:cluster_centers.py
-
1.1 综述:数据探索分析
-
1.2 对多个数据进行探索性分析
-
- 奇异值分解(SVD)实现PCA:pca_svd.py
- 特征值分解(EVD)实现PCA:pca_evd.py
-
- KernelPCA重构矩阵:KernelPCA重构矩阵理论分析
- KernelPCA异常检测:Recon_Error_KPCA.py
-
- 验证:sklearn采用SVD实现PCA.ipynb
- 运用TruncatedSVD进行图像处理:truncated_svd_cat
-
1)离散型特征
-
高基数类别特征的处理
-
2)时间型特征的处理
-
3)连续型特征的处理
-
代码实现:coverage.py
-
定义:
-
出处: Addressing the Curse of Imbalanced Training Sets: One-Sided Selection [Miroslav Kubat, Stan Matwin; 1997]
-
代码实现: gmean.py
-
定义:
-
1)KS值定义: max(TPR-FPR)
-
2)KS值代码实现:ks_value.py
-
3)KS绘制曲线代码:ks_curve.py
-
1)ROC绘制代码:roc.py
-
2)PRC绘制代码:prc.py
-
3)综合:绘制KS、ROC、PRC曲线.ipynb