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 Contents3.1 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tsfresh3.3 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 Contents2.3.1 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 warningswarnings.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 mathimport pandas as pdimport numpy as np import lightgbm as lgbimport xgboost as xgbfrom catboost import CatBoostRegressorfrom sklearn.linear_model im