文件清单 72 项

• 1:决策树模型的特点.mp4
• 2:决策树的数学表达.mp4
• 3:如何构建一颗决策树.mp4
• 4:什么是更好的一次划分.mp4
• 5:Gini系数.mp4
• 6:信息增益.mp4
• 7:熵与Gini系数关系_信息增益率.mp4
• 8:预剪枝以及相关超参数.mp4
• 9:代码实战决策树对鸢尾花数据集分类.mp4

展开全部 72 项

• 10:绘制决策树模型_寻找最优树深度.mp4
• 11:代码训练回归树拟合SineWave.mp4
• 12:后剪枝的意义.mp4
• 13:CCP代价复杂度后剪枝.mp4
• 14:CCP代价复杂度剪枝_α超参数设定.mp4
• 15:不同聚合方式_生成不同弱学习器方式.mp4
• 16:Bagging_Boosting_Stacking.mp4
• 17:随机森林.mp4
• 18:代码实战随机森林对鸢尾花数据集分类.mp4
• 19:OOB袋外数据.mp4
• 20:Adaboost算法思路.mp4
• 21:调整数据权重让权重正确率达到50%.mp4
• 22:Adaboost如何调整样本权重和求基模型权重.mp4
• 23:GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4
• 24:GBDT令每个弱学习器f(x)去拟合负梯度(1).mp4
• 24:GBDT令每个弱学习器f(x)去拟合负梯度.mp4
• 25:GBDT每棵树都是回归树_准备数据才能训练下一颗小树(1).mp4
• 25:GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4
• 26:GBDT应用于回归问题.mp4
• 27:GBDT回归举例_总结.mp4
• 28:GBDT应用于二分类问题.mp4
• 29:GBDT二分类拟合的负梯度依然是残差.mp4
• 30:GBDT中shrinkage学习率和最优树权重ρ可以共存(1).mp4
• 30:GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4
• 31:GBDT应用于多分类任务.mp4
• 32:GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp4
• 33:GBDT多分类流程.mp4
• 34:对比GBDT回归,二分类,多分类相同点与不同点.mp4
• 35:GBDT二分类叶子节点分值计算推导.mp4
• 36:GBDT多分类叶子节点分值计算.mp4
• 37:GBDT二分类举例详解.mp4
• 38:GBDT多分类举例详解.mp4
• 39:计算特征重要度进行特征选择.mp4
• 40:GBDT用于特征组合降维(1).mp4
• 40:GBDT用于特征组合降维.mp4
• 41:特征组合降维在GBDT+LR架构应用(1).mp4
• 41:特征组合降维在GBDT+LR架构应用.mp4
• 42:GBDT在sklearn中源码剖析_初始化F(x).mp4
• 43:GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4
• 44:GBDT+LR架构训练模型代码实现.mp4
• 45:GBDT+LR架构预测评估代码实现(1).mp4
• 45:GBDT+LR架构预测评估代码实现.mp4
• 46:回顾有监督机器学习三要素.mp4
• 47:Bias_Variance_Trade-off.mp4
• 48:基于树集成学习4个优点.mp4
• 49:回顾基于树集成学习的模型和参数并举例说明.mp4
• 50:通过目标函数Obj来达到准确率和复杂度平衡.mp4
• 51:Objective_vs_Heuristic.mp4
• 52:得出XGBoost最开始的Obj目标函数.mp4
• 53:推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4
• 54:Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4
• 55:重新定义树ft和树的复杂度Ω.mp4
• 56:由每个叶子节点重组目标函数Obj.mp4
• 57:推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4
• 59:举例说明从连续型和离散型变量中寻找最佳分裂条件.mp4
• 60:XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4
• 61:样本权重对于模型学习的影响.mp4
• 62:总结XGBoost的特性_包括缺失值的处理策略.mp4
• 08,机器学习-决策树系列/
• 章节1:决策树/
• 章节2:集成学习和随机森林/
• 章节3:GBDT/
• 章节4:XGBoost/