christineNAN的博客

赛题链接4.1 模型融合目标对于多种调参完成的模型进行模型融合。完成对于多种模型的融合，提交融合结果并打卡。4.2 内容介绍模型融合是比赛后期一个重要的环节，大体来说有如下的类型方式。简单加权融合:回归（分类概率）：算术平均融合（Arithmetic mean），几何平均融合（Geometric mean）；分类：投票（Voting)综合：排序融合(Rank averaging...

赛题地址3.1 学习目标了解常用的机器学习模型，并掌握机器学习模型的建模与调参流程 完成相应学习打卡任务3.2 内容介绍线性回归模型：线性回归对于特征的要求；处理长尾分布；理解线性回归模型；模型性能验证：评价函数与目标函数；交叉验证方法；留一验证方法；针对时间序列问题的验证；绘制学习率曲线；绘制验证曲线；嵌入式特征选择：Lasso回归；Ridge回归；决策树；模型对比：常用线...

##数据挖掘—— 02特征工程DataWhale一起组队学习：天池比赛1.含义将数据转换为能更好表示潜在问题的特征，从而更好提高机器学习的性能。包括数据理解，清洗，构造，选择和不平衡等。2.目的将数据转换为能更好地表示潜在问题的特征，从而提高机器学习的性能。比如，异 常值处理是为了去除噪声，填补缺失值可以加入先验知识，增强数据的表达。特征工程是一个入门简单，但想精通非常难的一件事。3...

Datawhale 零基础入门数据挖掘-Task2 数据分析赛题链接：二手车交易价格预测EDA-数据探索性分析EDA（Exploratory Data Analysis）是指对已有的数据（特别是调查或观察得来的原始数据）在尽量少的先验假定下进行探索，通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法EDA的价值主要在于熟悉数据集，了解数据集，对数据集***进行...