task4 建模調參
學習材料位址
4.4.1 讀取資料
reduce_mem_usage函式沒看懂
4.4.2
對標籤進行log(x+1)變換，使標籤由原來的長尾分布貼近於正態分佈
選用靠前時間的4/5樣本當作訓練集，靠後時間的1/5當作驗證集
l1正則化與l2正則化的區別
l2正則化在擬合過程中通常都傾向於讓權值盡可能小，最後構造乙個所有引數都比較小的模型。l1正則化有助於生成乙個稀疏權值矩陣，進而可以用於特徵選擇。
4.4.4 模型調參
調參部分以前很少研究，很多時候都是瞎幾把調一通，值得仔細研究一番。
Task 4 建模與調參
在零基礎入門資料探勘的 task4 建模調參部分，我學習了各種模型以及模型的評價和調參策略。在做好前期的準備工作之後，建模是至關重要的一環，需要根據資料的特點擊擇合適的模型，同時調參使得模型的效果更好。了解常用的機器學習模型，並掌握機器學習模型的建模與調參流程 完成相應學習打卡任務 線性回歸模型 線...
Task4 模型和調參
機器學習模型 1.線性回歸 本質上它是一系列特徵的線性組合，在二維空間中，你可以把它視作一條直線，在三維空間中可以視作是乙個平面。為了獲得w和b我們需要制定一定的策略，而這個策略在機器學習的領域中，往往描述為真實值與回歸值的偏差。優化方法 思路是線性代數中的矩陣求導 任務變成了求這個 公式的數學問題...
零基礎入門資料探勘 Task4 建模調參
一 介紹 1 線性回歸模型 線性回歸對於特徵的要求 處理長尾分布 理解線性回歸模型 2 模型效能驗證 評價函式與目標函式 交叉驗證方法 針對事件序列問題的驗證 繪製學習率曲線 繪製驗證曲線 3 嵌入式特徵選擇 lasso回歸 ridge回歸 決策樹4 模型對比 常用線性模型 常用非線性模型 5 模型...