XGBoost及随机森林处理kaggle—Titanic数据实战

最新推荐文章于 2022-10-28 19:06:05 发布
转载 最新推荐文章于 2022-10-28 19:06:05 发布 · 219 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/qq_43468729/article/details/84797399?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-3.base&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFr

本文详细探讨了Vue.js和React在现代Web开发中的应用，介绍了它们的核心概念、组件化开发和性能优化技巧。
Titanic - Machine Learning from Disaster————泰坦尼克号幸存者预测————逻辑回归、随机森林和梯度提升树（XGBoost、LightGBM）
u010385749的博客
09-06 5238
​​​​​​在本篇博客中，我们详细介绍了从数据预处理到模型训练与优化的整个流程。我们使用了多种机器学习模型（逻辑回归、随机森林、XGBoost 和 LightGBM），并对这些模型进行了评估。通过对超参数的调优和特征选择，我们进一步提升了模型的性能。
Kaggle_Titanic生存预测 -- 详细流程吐血梳理
热门推荐
大树先生的博客
12-06 6万+
Kaggle 泰坦尼克生存预测，详细流程分析整理：特征分析，特征工程，数据处理，Stacking框架，xgboost融合
XGBoost调参技巧（二）Titanic实战Top9%
08-28 5648
学习Kaggle的第一个比赛就是Titanic，断断续续的半年时间，从小白到杀入9%。XGBoost果真是Kaggle杀器，帮我在Titanic中进入9%、zillow进入22%。 简介 Titanic是Kaggle竞赛里的入门比赛之一，要求参赛者根据乘客的属性来预测是否幸存，是典型的二分类（Binary Classifier）问题。解决二分类问题的算法有很多：决策树、随机森林、GBM
Titanic模型集成
futurewq的博客
01-08 330
1.使用随机森林做预测并绘制ROC曲线 X = train[['Pclass', 'Sex', 'SibSp', 'Parch', 'Cabin', 'Embarked', 'title', 'isalone', 'Family', 'mother', 'person', 'ticket-same', 'age', 'fare']] Y = train['Survi...
kaggle泰坦尼克数据titanic
08-17
总的来说，"kaggle泰坦尼克数据titanic"是一个经典的数据科学实战案例，涵盖了数据处理、特征工程、模型选择、评估和优化等多个环节，对于初学者和专业人士都是很好的学习资源。通过这个项目，可以提升数据分析技能...
Kaggle入门实战：Titanic - Machine Learning from Disaster
cici9811的博客
12-20 1315
Kaggle入门实战：Titanic - Machine Learning from Disaster项目简介关于数据数据概括数据字段描述数据分析总体思路初步分析 项目简介 Use machine learning to create a model that predicts which passengers survived the Titanic shipwreck. 基于机器学习建立模型预测泰坦尼克号灾难中哪些乘客得以生存。 Kaggle入门项目：Titanic overview 参考分析视频：B
实战整理-Kaggle平台Tatanic数据集实战（python数据分析+机器学习）
weixin_57622629的博客
10-28 2525
Kaggle平台Tatanic数据集（数据分析）
Kaggle Titanic比赛项目源码解析
在模型训练方面，由于这是二分类问题（生存与否），常用算法包括逻辑回归（Logistic Regression）、支持向量机（SVM）、决策树（Decision Tree）、随机森林（Random Forest）、梯度提升树（如XGBoost、LightGBM）等...
Kaggle入门 (Titanic XGBoost)
陈海峰的博客
06-13 3074
本文接前文Kaggle入门，主要的区别是更换了分类器XGBoost。 # -*- coding: utf-8 -*- import pandas as pd import xgboost as xgb # 读训练数据 data = pd.read_csv('data/train.csv') #数据预处理 data['Sex'] = data['Sex'].apply(lambda s
Kaggle——Titanic: Machine Learning from Disaster （XGBoost +神经网络）
无常是生活的常态
07-10 2435
今天没什么动力写代码，正确率也一直停在80%上不去，整理下之前写的代码吧。 代码整体的逻辑是使用XGBoost 和神经网络训练两个结果，然后和之前表现最好的结果放在一起投票，然后得出最终的结果。 代码结构：      对于特征选择，我首先去掉了 Name', 'Ticket', 'PassengerId' 然后对sex、Pclass、SibSp、Embarked 进行了特征因子化...
kaggle入门竞赛之泰坦尼克事故存活预测（xgboost方法）
盛夏光年
01-14 2884
传送门：https://www.missshi.cn/api/view/blog/5a06a441e519f50d0400035e 本文我们详细讲解如何利用xgboost方法来解决泰坦尼克沉船事故人员存活预测的问题。 实现语言以Python为例来进行讲解。 评价标准 我们的目标是预测泰坦尼克号中哪些乘客可以幸存下来。 评价维度就是预测的准确率。 需要上传的文件格式如下： 一个csv文件，包含418...
ML之RF&XGBoost：分别基于RF随机森林、XGBoost算法对Titanic(泰坦尼克号)数据集进行二分类预测(乘客是否生还)
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
03-09 1万+
ML之RF&XGBoost：分别基于RF随机森林、XGBoost算法对Titanic(泰坦尼克号)数据集进行二分类预测(乘客是否生还) 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 rfc = RandomForestClassifier() rfc.fit(X_train, y_tra...
XGBoost实践泰坦尼克号可生还人员预测
OliverkingLi的博客
06-07 1611
联合之前的logistic和random forest:import xgboost as xgb import numpy as np from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.tree import D...
【决策树算法】泰坦尼克号乘客生存预测
风口IT猪的成长录
07-16 3311
泰坦尼克号乘客生存预测1. 案例背景2. 步骤分析3. 代码实现4. 决策树可视化4.1 保存树的结构到dot文件4.2 网站显示结构5. 决策树总结6. 小结 1. 案例背景 泰坦尼克号沉没是历史上最臭名昭着的沉船之一。1912年4月15日，在她的处女航中，泰坦尼克号在与冰山相撞后沉没，在2224名乘客和机组人员中造成1502人死亡。这场耸人听闻的悲剧震惊了国际社会，并为船舶制定了更好的安全规定。 造成海难失事的原因之一是乘客和机组人员没有足够的救生艇。尽管幸存下沉有一些运气因素，但有些人比其他人更容易生
XGBoost调参指南
fuqiuai的博客
03-09 9767
XGBoost调参指南 参考-官网 方法1 可按照max_depth, min_child_weight colsamplt_bytree,eta的顺序一个一个调，每次调的时候其他参数保持不变 方法2:防止过拟合 When you observe high training accuracy, but low tests accuracy, it is likely that y...
利用随机森林,xgboost,logistic回归,预测泰坦尼克号上面的乘客的获救概率
hb707934728的博客
04-25 1万+
数据示例： ,PassengerId,Survived,Pclass,Name,Sex,Age,SibSp,Parch,Ticket,Fare,Cabin,Embarked,Embarked_C,Embarked_Q,Embarked_S,Embarked_U 0,1,0,3,"Braund, Mr. Owen Harris",1,22.0,1,0,A/5 21171,7.25,,S,0,0,1
kaggle比赛必备算法XGBoost入门及实战
AI黑板报的专栏
02-19 4867
一文了解 xgboost 算法基本原理以及实战用法！
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值