homer_of的博客

本文简单分析了江苏大数据新能源赛道的数据特征和异常数据。

本文将介绍超参数的概念，优化方法以及自动优化参数的python库。

本文是首届世界智能科学大赛大气科学赛道的第二次打卡

模型调参——二手车价格预测一、调参调参的目标调参就是对模型的参数进行调整，以找到使模型性能最优的参数。调参的目的就是达到使偏差和方差的大和谐。参数可分为两类：过程影响类参数和子模型影响类参数。调整子模型数、学习率等参数，改变训练过程，可以提高整体模型的性能。bagging的训练过程旨在降低方差，boosting的训练过程旨在降低偏差，过程影响类的参数能够引起整体模型性能的大幅度变化。我们可以通过学习曲线来判断模型的性能是否得到提升。假设模型是一个多元函数F，其输出值为模型的准确度。我们可以固定

一、 特征工程的重要性和处理1. 特征工程一般包括特征使用、特征获取、特征处理、特征选择和特征监控。业界广泛流传着这样的一句话：“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。”具体而言：特征越好，灵活性越强。构建的模型越简单，模型的性能就越出色。好特征的灵活性在于允许你选择不复杂的模型，同时运行速度也更快，更容易理解和维护。好的特征，不需要花太多的时间去寻找最有效的参数，这大大降低了模型的复杂度。特征工程的处理流程为首先去掉无用特征，接着去掉冗余的特征，如共线特征，并利用存在的特

关于二手车交易预测的数据探索性分析我们为什么要进行数据分析呢？这是我摘自一个博客的一个答案，希望能给您帮助：探索性数据分析（Exploratory Data Analysis，简称EDA），摘抄网上的一个中文解释，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。特别是党我们对面对大数据时代到来的时候，各种杂乱的“脏数据”，往往不知所措，不知道从哪里开始了解目前拿到手上的数据时候，探索性数据分析

零基础入门数据挖掘——二手车交易价格预测一、 赛题理解Tip:此部分为零基础入门数据挖掘的 Task1 赛题理解 部分，为大家入门数据挖掘比赛提供一个基本的赛题入门讲解，欢迎后续大家多多交流。赛题：零基础入门数据挖掘 - 二手车交易价格预测地址：https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX1.1 学习目标1）理解赛题数据和目标，