模型的选择与算法-集成算法
29
集成算法简介
Applied-Machine-Learning-for-Tabular-Data-读书笔记
前言-机器学习简介
Intro
1
机器学习概览
机器学习开始前的准备工作
2
初始数据划分
3
缺失值处理
4
数值变量转换
5
分类变量处理
6
嵌入法
7
线性与非线性特征
Optimization-Tune
8
过拟合
9
重采样
10
网格搜索
11
迭代搜索
12
特征选择
13
模型比较
Classification
14
Characterizing-Classification-Models{#sec-Characterizing-Classification-Models}
15
Generalized-Linear-and-Additive-Classifiers
16
Complex-Nonlinear-Boundaries
17
Classification-using-trees-and-rules
18
Class-imbalances
19
Classification-case-study
20
Classification-summary
Regression
模型的选择与算法-单个模型
21
预测数值型数据-回归方法
22
K-最邻近算法
23
lasso回归
24
非线性模型
25
分而治之-应用决策树和规则进行分类
26
黑箱方法-神经网络和支持向量机
27
寻找数据的分组-k均值聚类
28
主成分分析
模型的选择与算法-集成算法
29
集成算法简介
30
随机森林
31
梯度提升机-GBM
32
XGBoost
33
lightGBM
34
catboost
References
Appendices
A
Tips and Tricks
B
The theory behind the bootstrap method
Table of contents
29.1
袋装法
29.2
提升法
29.3
堆叠法
模型的选择与算法-集成算法
29
集成算法简介
29
集成算法简介
29.1
袋装法
29.2
提升法
29.3
堆叠法
28
主成分分析
30
随机森林