数据挖掘
关注
分享
扫一扫
qmys
这个作者很懒，什么都没留下…
展开
-
精通特征工程 —— 2.简单得数字奇特技巧
文章目录1.二值化2.区间量化（分箱）3.对数变换4.特征缩放归一化5.交互特征6.特征选择1.二值化# Echo Nest 品味画像数据集的统计# 使 Million Song 数据集中听歌计数二进制化import pandas as pdf = open(r'data/train_triplets.txt')listen_count = pd.read_csv(f, header=...原创 2019-08-07 13:51:04 · 3878 阅读 · 2 评论 -
数据挖掘 —— 金融数据（二）
特征工程任务二特征衍生特征挑选：分别用IV值和随机森林等进行特征选择……以及你能想到特征工程处理# 导入需要的包import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsfrom sklearn.model_selection import train_tes...原创 2019-08-09 17:33:42 · 905 阅读 · 0 评论 -
数据挖掘 —— 金融数据（六）
Task6 模型融合模型融合方式任意，并结合Task5给出你的最优结果。例如Stacking融合，用你目前评分最高的模型作为基准模型，和其他模型进行stacking融合，得到最终模型及评分结果# 导入库from sklearn.linear_model import LogisticRegressionfrom sklearn.svm import LinearSVCfrom skl...原创 2019-08-19 13:07:59 · 239 阅读 · 0 评论 -
数据挖掘 —— 金融数据（四）
task4记录5个模型（逻辑回归、SVM、决策树、随机森林、XGBoost）关于accuracy、precision，recall和F1-score、auc值的评分表格，并画出ROC曲线# 导入库from sklearn.linear_model import LogisticRegressionfrom sklearn.svm import LinearSVCfrom sklearn....原创 2019-08-14 16:17:13 · 545 阅读 · 0 评论 -
数据挖掘 —— 金融数据（三）
task3用逻辑回归、svm和决策树；随机森林和XGBoost进行模型构建，评分方式任意，如准确率等。（不需要考虑模型调参）# 导入库from sklearn.linear_model import LogisticRegressionfrom sklearn.svm import LinearSVCfrom sklearn.tree import DecisionTreeClassif...原创 2019-08-11 20:55:06 · 267 阅读 · 0 评论 -
数据挖掘 —— 金融数据（五）
task 5 模型调优使用网格搜索法对5个模型进行调优（调参时采用五折交叉验证的方式），并进行模型评估，记得展示代码的运行结果。GridSearchCV自动调参，输入参数 ==> 输出最优化结果和参数（适用于小数量级）参数说明：(1) estimator：选择使用的分类器，并且传入除需要确定最佳的参数之外的其他参数。每一个分类器都需要一个scoring参数，或者score方法：如e...原创 2019-08-15 16:40:28 · 456 阅读 · 0 评论