1回答
我必须使用梯度引导决策树在Python中构建一个分类模型，并获得模型参数(节点处的值)以在硬件上实现。据我所知，梯度增强决策树的最终结果是一个具有阈值的普通决策树分类器，用于对输入数据进行分类。我读过以下文章：
model.estimators_包含模型所包含的所有单个分类器。对于Gra
浏览 0提问于2019-04-23得票数 0
回答已采纳
1回答
当我们在前一个模型的残差基础上构建下一个模型时，我理解梯度提升是如何为回归工作的--例如，如果我们使用线性回归，那么它将是残差作为下一个模型的目标，然后在最后对所有模型求和，得到更强的精确度。但是在梯度增强的分类树中如何做到这一点呢？假设我们有一个二进制分类模型，结果为0/1 -下一个模型的残差是多少？它是如何
浏览 14提问于2019-02-03得票数 3
我使用的是scikit learn的梯度增强树分类器。它使功能重要性评分在feature_importances_中可用。这些特征重要性是如何计算的？我想了解scikit-learn使用的是什么算法，以帮助我理解如何解释这些数字。文档中没有列出该算法。
浏览 0提问于2017-05-25得票数 4
1回答
我是机器学习领域的初学者，我想学习如何使用梯度增强树(GBT)进行多类分类。我读过一些关于GBT的文章，但是关于回归问题，我找不到关于GBT多类分类的正确解释。GBT的实现是利用回归树作为弱学习者进行多类分类的GradientBoostingClassifier。
GB以提前阶段的方式建立了一个加性模型；它允许对任意可微损失函数进行优化。在每个
浏览 0提问于2018-04-25得票数 0
回答已采纳
1回答
根据Spark文档，、随机森林、和梯度增强树，可以用于分类和回归问题：
假设我的“标签”是从0..n取整数值，我想训练这些分类器来解决回归问题，预测标签字段的连续变量值。但是，在文档中，我不知道如何配置这两个回归器来解决这个问题，我也没有看到任何类参数来区分回归和分类的情况。那么，如何为回归问题配置两个分类器呢？
浏览 0提问于2018-03-31得票数 0
回答已采纳
1回答
我想知道是否有文献或有人可以解释如何将决策树与梯度增强树分类器相匹配，以获得更多可解释的结果。图里的解释功能：从他们的页面这里。我知道，对于随机森林，您可以像TreeInterpreter python包中所看到的那样，平均每个树中每个特性的贡献，但这似乎是一种不同的</
浏览 0提问于2016-08-08得票数 4
我读过其他关于一个连续特性是否应该转换为分类的问题。但我感兴趣的是基于树的分类器，如决策树、随机森林、梯度增强等。我的直觉是，由于基于树的分类器试图在每个节点上找到最优分割或最佳测试，提供一个分类特征将使分割比提供一个连续特征更精确。
我的问题是，做上述的数据预处理将导致高精度的情况下，基于<
浏览 0提问于2020-05-29得票数 1
回答已采纳
3回答
在python中，是否有一种方法可以通过梯度增强分类模型预测每个特征对每个测试观测的贡献。在梯度增强分类模型中，谁能给出概率预测背后的实际数学，以及如何在Python中实现。
浏览 1提问于2018-02-22得票数 1
回答已采纳
1回答
在Sklearn分类中的类中，Catboost似乎属于集成方法。那么，与AdaBoost、套袋等相比，Catboost的优势是什么？
浏览 0提问于2018-10-05得票数 2
回答已采纳
1回答
我建立了分类模型。当实现决策树分类器时，下面的结果。0.25 0.35 2883avg /总计0.840.860.84 19413 3.0 0.89 0.96 0.93 16530梯度</em
浏览 0提问于2017-05-05得票数 0
1回答
我有一个数据集，它的所有特征都是从0到1(实数)，输出是0或1(整数)。0.2 0.3 0 0.4 0.1 0.9 1 我注意到，大多数使用支持向量机、神经网络或logistic回归的人在进行特征缩放时都使用了标准((值-均值) /std)。是否有理由不取消从0到1之间的值？
浏览 0提问于2016-04-26得票数 1
1回答
在具有一些特性的数据上，我为回归目的训练了一个随机森林，并且梯度增强了回归树。对于这两种方法，我都计算了特性的重要性，我发现它们有很大的不同，尽管它们的得分相似。89.11
Feature 2: 0.10Feature 4: 0.09对于梯度增强的回归树</em
浏览 1提问于2015-01-09得票数 0
我正在检验我的GradientBoostingClassifier模型的弱估计量。该模型适用于二进制类数据集。array([-2.74, -1.94, -1.69, ...])我的问题是:梯度增强分类</e
浏览 0提问于2020-10-29得票数 2
回答已采纳
1回答
我读过很多关于随机森林和梯度提升的文章，但是我不知道这两种算法是如何工作的。随机森林是如何工作的，梯度是如何提高的？随机森林中的每棵树有不同的训练数据和不同的特征吗？
关于我的问题我很抱歉，但我找不到一个简单的非数学答案。
浏览 0提问于2018-03-05得票数 0
1回答
我的原始特性是非常正确的；我尽我最大的努力将它们转换成更好的发行版，方法是要么获取日志，要么对其中的一些日志进行分类。当然，分类问题是非常困难的，可能是一个很弱的信号，但我发现梯度增强树比简单的，比如说64x64多层感知器具有更好的泛化能力(训练集上的日志损失对于网络和梯度增强树</e
浏览 0提问于2017-10-22得票数 6
2回答
我已经使用tensorflow决策森林创建了一个分类模型。我正在努力评估非默认指标(在本例中为PR-AUC)的性能与树的数量之间的变化。 下面是我尝试的一些代码。tfdf.keras.GradientBoostedTreesModel()tfdf_clf.fit(train_ds, validation_data=test_ds,) 现在我得到了非常有用的训练日志0.9005518
浏览 46提问于2021-10-22得票数 2
2回答
我了解分类和回归树的包装和提升的主要原理。我怀疑的是超参数的优化，特别是树的深度。第二个问题:为什么以及如何在网格搜索中得到比弱学习者更好的梯度增强结果(同样，弱学习者也比随机森林中<
浏览 0提问于2019-10-15得票数 5
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
