模型調參:
經過前面的缺失值、異常值得處理以及特徵工程的構建，選擇了模型進行訓練以後，就可以開始進行尋訓練模型。雖然說特徵工程才是真正決定乙個模型最終的**能力，但是乙個優秀的調參也是很重要的一部，可以在一定程度上提高**能力，避免一定程度的過擬合。
本次主要使用xgb進行模型訓練，使用sklearn中的gridsearchcv進行模型調參，提高調節合適的引數來 進一步擬合模型。對於xbg模型來說，最主要的引數就是max_depth。可以先設定乙個適中的學習率，比如設定為0.1，在對max_depth進行設定，一般在5-10之中進行遍歷，然後選擇合適的乙個值。至於其他引數可以依次進行調節。
機器學習 模型調參
第八課 機器學習簡單介紹 第13節 模型調參方法 引入包 import pandas as pd import numpy as np from sklearn.model selection import train test split 準備資料集 載入資料 iris data pd.read ...
隨機森林模型調參方法
列印隨機森林學習器的預設引數配置 1 bootstrap true 2 criterion mse 3 max depth none 4 max features auto 5 max leaf nodes none 6 min impurity decrease 0.0 7 min impurit...
深度模型調參知識總結
深度模型調參知識總結 先保證資料質量再去調參 什麼是高質量的資料？高質量資料集應該包括以下特徵 怎樣獲取高質量的資料？二 調參原則 首先分析自己模型的弱點，而不是隨意地改進，我們需要根據視覺化模型誤差 表現極差的場景 以及效能引數來確定模型問題。隨意做改進反而適得其反，會成比例的增加訓練成本，而回報...