資料探勘第四周週報

得到了不是0.5的結果，說明神經網路的作用還是有的，但是在經過對於迭代次數的改變和訓練集的改變以後，還是沒有能優化到乙個更好的結果，於是乎我在考慮是不是應該回過頭對特徵工程進行進一步的處理，

這一周的後幾天我都是在處理資料集的特徵，在知乎和谷歌的幫助下，我對很多的降維方法進行嘗試，有什麼低方差過濾、預設值刪除、高相關過濾、pca降維等方法，

traindata[numerical_fea] = traindata[numerical_fea].fillna(traindata[numerical_fea].median())

testadata[numerical_fea] = testadata[numerical_fea].fillna(testadata[numerical_fea].median())
mm = minmaxscaler()
data = mm.fit_transform(data)
pca = pca(n_components = 10,copy=true)
data = pca.fit_transform(data)

最後遇到的問題就是有資料集降維處理的方法大多比較複雜，不知道如何挑選，只能慢慢嘗試，然後就是還有在考慮是不是考研多用幾種分類方法進行學習投票，在遇到計算運算太慢的時候如何處理等都是需要慢慢嘗試的

第四周週報

一，上週工作總結 二，本週學習收穫 includeint main void str是乙個字串陣列 0代表乙個字元，要注意 p指向了str的第乙個字元，p 5則是指向了第6個字元 也就是 e 然後printf s p 5 就是從p 5指向的字元開始輸出，一直到遇到 0 為止，所以最後的輸出是 ef ...

資料探勘第二週週報

由於我們得到的資料集是經過處理的比較規整的資料，所以上面的步驟可以簡單一下 1，匯入標準庫 importing the libraries import numpy as np import pandas as pd import matplotlib.pyplot as plt data trai...

資料探勘第七周週報

def lgb model x train,y train,x test lgb train,lgb test cv model lgb,x train,y train,x test,lgb return lgb train,lgb test def xgb model x train,y trai...