今天开始会陆续将之前的文章做一下梳理,整理出一个完整的知识体系,有需要的伙伴们可以更方便地查找自己需要的知识点。
这篇文章介绍了应用算法解决 Kaggle 问题,一般有以下几个步骤,
以及每个步骤的简要定义和常用方法:
第一步:识别问题 第二步:分离数据 第三步:构造提取特征 第四步:组合数据 第五步:分解 第六步:选择特征 第七步:选择算法进行训练
这篇文章中的关键知识点:
这篇文章用一个实例来将上一篇的流程应用了一下:
Data Exploration Data Cleaning Feature Engineering Model Building Ensemble Learning Predict
以及建立 训练 并用模型预测的过程:
从 sklearn 导入分类器模型后,定义一个 KNN, 定义合适的参数集 parameters, 然后用 get_model 去训练 KNN 模型, 接下来用训练好的模型去预测测试集的数据,并得到 accuracy_score, 然后画出 learning_curve。
这篇文章中的关键知识点:
这篇文章介绍了 Kaggle 比赛的一般流程:
探索数据 特征工程 建立模型 调参 预测提交
文章中的关键知识点: