微信公众号（年更选手）：数据闲逛人 | Github开源项目：数分/数挖study路线 https://github.com/jc-dian/python_data_analysis

5.2 内容介绍 https://mlwave.com/kaggle-ensembling-guide/ https://github.com/MLWave/Kaggle-Ensemble-Guide 模型融合是比赛后期一个1重要的环节,大体来说有如下的类型方式 1.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),log融合 stacking/

文章目录4.1 学习目标4.2 内容介绍4.5 代码示例4.5.1 导入相关和相关设置4.5.2 读取数据4.5.3 简单建模4.5.4 模型调参4.6 经验总结 4.1 学习目标 学习机器学习模型的建模过程与调参流程 完成相应学习打卡任务 4.2 内容介绍 逻辑回归模型： 理解逻辑回归模型； 逻辑回归模型的应用； 逻辑回归的优缺点； 树模型： 理解树模型； 树模型的应用； 树模型的优缺点； 集成模型 基于bagging思想的集成模型 随机森林模型 基于boosting思想的

Table of Contents 3.1 学习目标3.2 内容介绍 3.1 学习目标 学习时间序列数据的特征预处理方法 学习时间序列特征处理工具Tsfresh(TimeSeries Fresh) 的使用 3.2 内容介绍 数据预处理 时间序列数据格式处理 加入时间步特征time 特征工程 时间序列特征构造 特征筛选 使用tsfresh 3.3 代码示例 3.3.1 导入包并读取数据 Tsfresh是处理时间序列的关系数据库的特征工程工具，能自动从时间序列中提取100多个特征。 该软件包包含多种

Table of Contents 2.3.1 载入各种数据科学与可视化库2.3.2载入训练集和测试集2.3.3 总览数据概况2.3.4 判断数据缺失和异常2.3.5 了解预测值的分布2.3.7 用pandas_profiling 生成数据报告总结 2.3.1 载入各种数据科学与可视化库 #导入warnings包，利用过滤器来实现忽略警告语句。 import warnings warnings.filterwarnings('ignore') import missingno as msno # 缺

文章目录1. 导入第三方包2. 读取数据3.数据预处理4.训练数据/测试数据准备5. 模型训练6.预测结果小结参考 1. 导入第三方包 import os import gc import math import pandas as pd import numpy as np import lightgbm as lgb import xgboost as xgb from catboost import CatBoostRegressor from sklearn.linear_model im