以决策树作为开始，因为简单，而且也比较容易用到，当前的boosting或randomforest也是常以其为基础的决策树算法本身参考之前的blog，其实就是贪婪算法，每次切分使得数据变得最为有序无序，nodeimpurity对于分类问题，我们可以用熵entropy或Gini来表示信息的无序程度对于回归问题，我们用方差Variance来表示无序程度，方差越大，说明数据间差异越大用于表示，由父节点划分后得到子节点，所带来的impurity的下降，即有序性的增益下面直接看个regression的例子，分类的case，差不多，还是比较简单的，由于是回归，所以impurity的定义为variancema
2024/3/22 19:16:07
137KB
1
xgboost是陈天奇大牛新开发的Boosting库。
它是一个大规模、分布式的通用GradientBoosting（GBDT）库，它在GradientBoosting框架下实现了GBDT和一些广义的线性机器学习算法。
它是一个大规模、分布式的通用GradientBoosting（GBDT）库，它在GradientBoosting框架下实现了GBDT和一些广义的线性机器学习算法。
2024/1/28 4:05:51
2.06MB
1
xgboost是C++开源分布式机器学习系统DMLC的Boosting模型，单机采用多线程来加速树的构建，并依赖DMLC的另一个部件rabbit来进行分布式计算。
xgboost提供了Python和R语言接口。
本文档由参与贡献的王超和陈帅华撰写。
xgboost提供了Python和R语言接口。
本文档由参与贡献的王超和陈帅华撰写。
2024/1/12 15:49:32
868KB
1
建模分析师（数据分析师、数据挖掘工程师）理论基础：统计学、概率论、数理统计、多元统计分析、时间序列、数据挖掘（DM）软件要求：Excel、SQL（必要）&SPSSModeler、R、Python、SAS、Weka等（可选）分析方法要求：除掌握基本数据处理及分析方法以外，还应掌握高级数据分析及数据挖掘方法（多元线性回归法、生存分析法、神经网路、决策树、判别分析法、主成分分析法、因子分析法、典型相关分析、聚类分析法、关联规则、支持向量机、bagging、boosting等）和可视化技术。
业务分析能力：可以将业务目标转化为数据分析目标熟悉常用算法和数据结构，熟悉企业数据库架构建设针对不同分析主体，可以熟练的进行维度分析，能够从海量数据中搜集并提取信息通过相关数据分析方法，结合一个或多个数据分析软件完成对海量数据的处理和分析结果展现能力：报告体现数据挖掘的整体流程，层层阐述信息的收集、模型的构建、结果的验证和解读，对行业进行评估，优化和决策。
业务分析能力：可以将业务目标转化为数据分析目标熟悉常用算法和数据结构，熟悉企业数据库架构建设针对不同分析主体，可以熟练的进行维度分析，能够从海量数据中搜集并提取信息通过相关数据分析方法，结合一个或多个数据分析软件完成对海量数据的处理和分析结果展现能力：报告体现数据挖掘的整体流程，层层阐述信息的收集、模型的构建、结果的验证和解读，对行业进行评估，优化和决策。
2023/7/13 12:34:33
299KB
1
在本文中，Boosting用于确定将基本预测变量聚合为Double-Bagging集合的顺序，并且通过基于两个启发式停止规则的早期停止聚集过程来构建子集合。
在所有调查的分类和回归问题中，修剪后的乐团在大多数情况下的表现要好于装袋，Boosting和完全随机排序的Double-Bagging乐团。
因此，当将预测精度，预测速度和存储要求都考虑在内时，所提出的方法可能是解决当前预测问题的好选择。
在所有调查的分类和回归问题中，修剪后的乐团在大多数情况下的表现要好于装袋，Boosting和完全随机排序的Double-Bagging乐团。
因此，当将预测精度，预测速度和存储要求都考虑在内时，所提出的方法可能是解决当前预测问题的好选择。
2023/5/30 20:37:52
1.54MB
1
本人研究生阶段写文档所写的Matlab代码。
包括：1、图片预处理；
2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法；
3、特性选择：从特征向量中选取有效的特性；
4、基础算法：AdaBoost的训练与测试;Bayes算法5、AdaBoost的改进：Boosting,CastBoost、FloatBoost
包括：1、图片预处理；
2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法；
3、特性选择：从特征向量中选取有效的特性；
4、基础算法：AdaBoost的训练与测试;Bayes算法5、AdaBoost的改进：Boosting,CastBoost、FloatBoost
2023/5/15 11:45:44
256KB
1
R语言回归方式以及机械学习方式的教学，课件是pdf方式R代码-机械学习方式搜罗遴选树、随机森林、svm、神经收集、boosting、bagging以及种种回归方式其中搜罗一些数据及例子以供参考。
2023/4/12 18:57:51
12.14MB
1
本人研究生阶段写文档所写的Matlab代码。
包括：1、图片预处理；
2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法；
3、特性选择：从特征向量中选取无效的特性；
4、基础算法：AdaBoost的训练与测试;Bayes算法5、AdaBoost的改进：Boosting,CastBoost、FloatBoost前面一次上次没有带测试数据。
这次带上测试数据。
http://download.csdn.net/download/kofsky/4954247
包括：1、图片预处理；
2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法；
3、特性选择：从特征向量中选取无效的特性；
4、基础算法：AdaBoost的训练与测试;Bayes算法5、AdaBoost的改进：Boosting,CastBoost、FloatBoost前面一次上次没有带测试数据。
这次带上测试数据。
http://download.csdn.net/download/kofsky/4954247
2017/9/23 1:13:07
3.12MB
1
报告对各种Boosting集成学习模型进行系统测试Boosting集成学习模型将多个弱学习器串行结合，能够很好地兼顾模型的偏差和方差，该类模型在最近几年获得了长足的发展，主要包括AdaBoost、GBDT、XGBoost。
本篇报告我们将对这三种Boosting集成学习模型进行系统性的测试，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实意图义的参考价值。
本篇报告我们将对这三种Boosting集成学习模型进行系统性的测试，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实意图义的参考价值。
2020/5/17 15:54:58
2.72MB
1
在Adaboost算法的基础上，提出了一种改进的Boosting方法来解决分类问题。
此方法将示例的类标签预测为分类器集合的加权多数投票。
每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。
在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost愈加准确。
在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。
此外，通过kappa误差图研究了集成分类器的多样性准确性模式。
此方法将示例的类标签预测为分类器集合的加权多数投票。
每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。
在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost愈加准确。
在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。
此外，通过kappa误差图研究了集成分类器的多样性准确性模式。
2016/5/11 17:46:49
688KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB