Kenneth風车-优快云博客

原创【Chapter 10】Zero Code development of Gradient Boosting Decison Tree algorithm_Setosa_DSML

Zero Code development of Gradient Boosting Decison Tree algorithm_Setosa_DSML

2024-12-24 10:41:16 1250

原创【Chapter 9】Zero Code development of Random Forest algorithm_Setosa_DSML

Zero Code development of Random Forest algorithm_Setosa_DSML

2024-12-16 10:44:54 1396

原创【Chapter 8】Zero Code development of Decision Tree algorithm_Setosa_DSML

Zero Code development of Decision Tree algorithm_Setosa_DSML

2024-12-09 16:25:11 1586

原创【Chapter 7】Zero Code development of XGBoost algorithm_Setosa_DSML

Zero Code development of XGBoost algorithm_Setosa_DSML

2024-12-02 14:52:40 2112

原创【Chapter 6】Machine Learning time series Case_Monthly sales forecast analysis-HoltWinters

The Holt Winters algorithm is a time series prediction method. Time series prediction methods are used to extract and analyze data and statistical data, and characterize the results, in order to more accurately predict the future based on historical data.

2024-11-25 15:47:59 2916

原创【Chapter 5】Machine Learning Regression Cases_Stock Price Prediction Analysis-XGBoost

Stock prices are an unstable time series that are influenced by multiple factors. There are many external factors that affect the stock market, mainly including economic factors, political factors, and internal factors of the company. Since the emergence o

2024-11-18 10:51:34 1574

原创【Chapter 4】Machine Learning Regression Case_Second hand Car Price Prediction-XGBoost

This article aims to predict the transaction price of used cars, and constructs XGBoost regression prediction models through Python code and Sentosa_DSML community version, respectively. The models are evaluated, including the selection and analysis of eva

2024-11-13 10:29:58 1633

原创【Chapter 3】Machine Learning Classification Case_Prediction of diabetes-XGBoost

This article will utilize the diabetes dataset to construct an XGBoost classification prediction model through Python code and the Sentosa_DSML community edition, respectively. Subsequently, the model will be evaluated, including the selection and analysis

2024-11-12 14:41:41 1681

原创【Chapter 2】Sentosa_DSML Community Edition Product Features

Sentosa_DSML Community Edition Product Features

2024-11-07 19:46:23 1439

原创【Chapter 1】Overview of Sentosa_DSML Community Edition

Overview of Sentosa_DSML Community Edition

2024-11-07 11:57:19 1691

原创【机器学习(二十六)】零代码开发之时间序列案例销量预测-Sentosa_DSML社区版

零代码开发之时间序列案例销量预测-Sentosa_DSML社区版

2024-11-01 09:17:43 893

原创【机器学习(二十五)】零代码开发之多层感知机(Multilayer Perceptron,MLP)算法-Sentosa_DSML社区版

零代码开发之多层感知机(Multilayer Perceptron,MLP)算法-Sentosa_DSML社区版

2024-11-01 09:14:05 966

原创【机器学习(二十四)】零代码开发之因子分解机(Factorization Machines,FM)算法-Sentosa_DSML社区版

零代码开发之因子分解机(Factorization Machines,FM)算法-Sentosa_DSML社区版

2024-10-31 09:15:46 1360

原创【机器学习(二十三)】零代码开发之K近邻(K-NearestNeighbor,KNN)算法-Sentosa_DSML社区版

零代码开发之K近邻(K-NearestNeighbor,KNN)算法-Sentosa_DSML社区版

2024-10-31 09:12:51 819

原创【机器学习(二十二)】零代码开发之LightGBM算法-Sentosa_DSML社区版

零代码开发之LightGBM算法-Sentosa_DSML社区版

2024-10-30 12:04:01 1088

原创【机器学习(二十一)】零代码开发之AdaBoost算法-Sentosa_DSML社区版

零代码开发之AdaBoost算法-Sentosa_DSML社区版

2024-10-30 11:54:17 1048

原创【机器学习(二十)】零代码开发之梯度提升决策树(Gradient Boosting Decison Tree,GBDT)算法-Sentosa_DSML社区版

零代码开发之梯度提升决策树(Gradient Boosting Decison Tree,GBDT)算法-Sentosa_DSML社区版

2024-10-29 11:41:14 984

原创【机器学习(十九)】零代码开发之随机森林(Random Forest,RF)算法-Sentosa_DSML社区版

零代码开发之随机森林(Random Forest,RF)算法-Sentosa_DSML社区版

2024-10-29 11:23:35 1108

原创【机器学习(十八)】零代码开发之决策树(Decision Tree,DT)算法-Sentosa_DSML社区版

零代码开发之决策树(Decision Tree,DT)算法-Sentosa_DSML社区版

2024-10-28 16:37:18 889

原创【机器学习(十七)】零代码开发之XGBoost算法-Sentosa_DSML社区版

零代码开发之XGBoost算法-Sentosa_DSML社区版

2024-10-28 16:20:53 886

原创【机器学习(十六)】零代码开发案例之糖尿病患病预测-Sentosa_DSML社区版

本文将利用糖尿病数据集，通过Sentosa_DSML社区版分别实现构建XGBoost分类预测模型。随后对模型进行评估，包括评估指标的选择与分析。最后得出实验结果结论，展示模型在糖尿病分类预测中的有效性和准确性，为糖尿病的早期诊断和干预提供了技术手段和决策支持。

2024-10-21 16:09:25 1585

原创【机器学习(十五)】零代码开发案例之二手汽车价格预测-Sentosa_DSML社区版

本文以预测二手车的交易价格为目标，通过Sentosa_DSML社区版实现构建XGBoost回归预测模型，并对模型进行评估，包括评估指标的选择与分析。最后得出实验结论，确保模型在二手汽车价格回归预测中的有效性和准确性。

2024-10-21 16:00:36 1836

原创【机器学习(十四)】零代码开发案例之股票价格预测分析—Sentosa_DSML社区版

股票价格是一种不稳定的时间序列,受多种因素的影响。影响股市的外部因素很多,主要有经济因素、政治因素和公司自身因素三个方面的情况。自股票市场出现以来,研究人员采用各种方法研究股票价格的波动。随着数理统计方法和机器学习的广泛应用,越来越多的人将机器学习等预测方法应用于股票预测中,如神经网络预测、决策树预测、支持向量机预测、逻辑回归预测等。

2024-10-14 10:18:54 2783

原创【机器学习(十三)】机器学习回归案例之股票价格预测分析—Sentosa_DSML社区版

在分析时间序列数据时,GBDT虽然能有效提高股票预测结果,但由于检测速率相对较慢,为寻求快速且精确度较高的预测方法,采用XGBoost模型进行股票预测,在提高预测精度同时也提高预测速率。可以利用XGBoost网络模型对股票历史数据的收盘价进行分析预测,将真实值和预测值进行对比,最后通过评估算子来评判XGBoost模型对股价预测的效果。

2024-10-11 16:27:56 3429

原创【机器学习(十二)】机器学习回归案例之二手汽车价格预测—XGBoost回归算法—Sentosa_DSML社区版

机器学习回归案例之二手汽车价格预测—XGBoost回归算法—Sentosa_DSML社区版，本文以预测二手车的交易价格为目标，通过Python代码和Sentosa_DSML社区版分别实现构建XGBoost回归预测模型，并对模型进行评估，包括评估指标的选择与分析。最后得出实验结论，确保模型在二手汽车价格回归预测中的有效性和准确性。

2024-09-27 13:39:53 2117

原创【机器学习(十一)】机器学习分类案例之是否患糖尿病预测—XGBoost分类算法—Sentosa_DSML社区版

本文将利用糖尿病数据集，通过Python代码和Sentosa_DSML社区版分别实现构建XGBoost分类预测模型。随后对模型进行评估，包括评估指标的选择与分析。最后得出实验结果结论，展示模型在糖尿病分类预测中的有效性和准确性，为糖尿病的早期诊断和干预提供了技术手段和决策支持。

2024-09-26 16:29:40 1874

原创【第二十二章：Sentosa_DSML社区版-扩展编程】

扩展编程类算子是算子里支持sql语句编写及脚本编程，用户可以根据自己的需要在算子中编写自己需要执行的sql语句或者脚本对数据进行处理。扩展编程类算子数据算子流中的中间算子。

2024-09-25 08:47:38 1075

原创【第二十一章：Sentosa_DSML社区版-图表分析】

图表分析类算子将数据以图表的方式展现出来，让数据更具有直观性，方便用户观察，查找数据之间的规律。图标分析类算子属于算子流中的终端算子。

2024-09-25 08:47:26 685

原创【机器学习(十)】时间序列案例之月销量预测分析—Holt-Winters算法—Sentosa_DSML社区版

时间序列案例之月销量预测分析—Holt-Winters算法—Sentosa_DSML社区版，时间序列预测方法用于提取和分析数据和统计数据并表征结果，以便根据历史数据更准确地预测未来。Holt-Winters 预测算法允许用户平滑时间序列并使用该数据预测感兴趣的领域。

2024-09-24 15:09:37 2442

原创【第二十章：Sentosa_DSML社区版-机器学习之自动建模】

Sentosa_DSML社区版-机器学习之自动建模，自动回归、自动分类、自动聚类、自动数据准备、AutoARIMA算法合集

2024-09-24 08:25:24 1267

原创【第十九章：Sentosa_DSML社区版-机器学习之模型评估】

评估用当前数据训练出来的模型的正确性，显示对模型各个评价指标的具体值，方便用户对生成的模型有一个确切了解

2024-09-24 08:24:13 1074

原创【第十八章：Sentosa_DSML社区版-机器学习之协同过滤】

协同过滤是推荐系统中常用的一种方法。该算法旨在填补用户-产品关联矩阵中缺少的项。在算法中，用户和产品都是通过一组少量的潜在因素描述，这些潜在因素可以用于预测用户-产品关联矩阵中缺少的项。

2024-09-23 14:11:49 845

原创【第十七章：Sentosa_DSML社区版-机器学习之异常检测】

Sentosa_DSML社区版-机器学习之异常检测，机器学习异常检测是检测数据集中的异常数据的算子，一种高效的异常检测算法。它和随机森林类似，但每次选择划分属性和划分点（值）时都是随机的，而不是根据信息增益或者基尼指数来选择。

2024-09-23 13:54:01 970

原创【第十六章：Sentosa_DSML社区版-机器学习之生存分析】

Sentosa_DSML社区版-机器学习之生存分析，加速失效时间回归模型Accelerated failure time (AFT)是一个监督型参数化的回归模型，它可以处理删失数据。它描述了一个生存时间的对数模型，通常被称为生存分析的对数线性模型。

2024-09-23 11:34:02 730

原创【第十五章：Sentosa_DSML社区版-机器学习之关联规则】

Sentosa_DSML社区版-机器学习关联规则，机器学习关联规则是一种用于发现数据集中项之间有趣关系的方法。它基于统计和概率理论，通过分析大量数据来识别项之间的频繁共现模式。

2024-09-23 11:16:32 1421

原创【第十四章：Sentosa_DSML社区版-机器学习之时间序列】

Sentosa_DSML社区版-机器学习时间序列，机器学习时间序列算法合集

2024-09-23 10:03:09 1256

原创【机器学习(九)】分类和回归任务-多层感知机(Multilayer Perceptron,MLP)算法-Sentosa_DSML社区版

多层感知机MLP算法解决分类和回归问题

2024-09-20 16:58:56 1711

原创【第十三章：Sentosa_DSML社区版-机器学习之聚类】

Sentosa_DSML社区版-机器学习聚类，机器学习聚类算法是一种无监督学习方法，它根据数据的内在特性将数据划分为不同的组或簇，使得同一簇内的数据对象尽可能相似，而不同簇间的数据对象则尽可能不同。

2024-09-20 11:58:26 1432

原创【第十二章：Sentosa_DSML社区版-机器学习之回归】

Sentosa_DSML社区版-机器学习回归，机器学习回归算法是一种有监督学习算法，主要用于建立自变量和因变量之间的关系。回归算法的目标是预测一个连续的目标变量，通常是一个实数值。

2024-09-19 19:59:05 1326

原创【第十一章：Sentosa_DSML社区版-机器学习之分类】

Sentosa_DSML社区版-机器学习分类，机器学习分类通常通过监督学习来完成，即使用带有标签的数据集进行训练，使模型能够预测新的数据样本所属的类别。

2024-09-19 14:51:00 985

【机器学习(十三)】机器学习回归案例之股票价格预测分析-Sentosa-DSML社区版

空空如也