Jennie

评分卡流程流失预警

sns.countplot()函数以bar的形式展示每个类别的数量例如：plt.figure(figsize=(15,5)) #图的宽和长，单位为inchplt.subplot(121) #subplot(行，列，第几个)**sns.countplot('User_ID',data=data,alpha=0.8) #统计data中‘User_ID’这个特征每种类别的数量**...

一、class_weight :分类模型中各种类型的权重，可以不输入，即不考虑权重，或者说所有类型的权重一样。手动输入各个类型的权重：比如对于0,1的二元模型，定义class_weight={0:0.8, 1:0.2}，即表示类型0的权重为80%，而类型1的权重为20%.选择balanced：类库根据训练样本量计算权重，表示样本数目越多，权重越小，样本数越少，权重越大。计算方法如下：...

最近实践过程中遇到需要KFold()记录一下，以便日后查阅KFold()在sklearn中属于model_slection模块from sklearn.model_selection import KFoldKFold(n_splits=’warn’, shuffle=False, random_state=None)参数:n_splits 表示划分为几块（至少是2）shuffle...

对于二分类问题，理想的样本应该是50：50但现实中某些场景就是非平衡数据，如癌症检测（癌症患者在人类总数中总是占非常小的比例），金融欺诈（一般来说大家都是守法尊则的良好公民，欺诈一般占小比例）对于不平衡问题，一般将占比小的分类设为1，如欺诈和患癌症不平衡样本的处理方式：（1）样本采样方面：欠采样（减法）过采样（加法）SMOTE（类似与过采样，区别在于采用算法生成新的样本（一般是占比小...

半路出家学机器学习，先在自己熟悉的领域尝试，每天进步一点点，记录自己成长过程（正式开始前的小叨叨）接（机器学习从蛋白序列预测蛋白分类（一））继续分析三，特征提取其实在（机器学习从蛋白序列预测蛋白分类（一）中已经做过一次特征筛选，即从两个原始文件中提取出sequence和classification信息并整合至一个文件，这里特征提取主要针对蛋白序列。为何要对蛋白序列进行二次特征提取呢？是因为蛋...

1，背景与目标：随着测序技术的快速发展，GenBank等数据库中存储了大量基因、蛋白序列信息，其中大部分尚无标注，如何充分利用GenBank等数据库现有数据资源，挖掘数据信息，为精准医疗、药物研发等生物大健康领域提供有价值的信息具有重要意义。目前这方面已有BLAST等生物信息技术可用，这里希望尝试机器学习技术在这方面的应用。2，数据清洗与处理数据来源于Kaggle竞赛（https://www...