|
|
介绍：
第一讲: 初识XGBoost
一、XGBoost简介
Gradient Boosting简介
XGBoost的特别之处
二、XGBoost的优势
速度
性能
三、与XGBoost的第一次亲密接触
数据科学任务的一般处理流程
XGBoost独立使用
与scikit-learn一起使用（学习率、交叉验证）
四、案例：XGBoost安装包自带数据集（蘑菇分类）
第二讲：暂别XGBoost
一、监督学习
模型
参数
目标函数（损失、正则、过拟合／欠拟合）
优化：梯度下降、常用损失函数的梯度推导
二、分类回归树
模型／参数／目标函数／优化（分裂与剪枝）
三、随机森林
Bagging／行、列随机采样
四、案例：Kaggle蘑菇分类任务
第三讲：重回XGBoost
一、Boosting
基本思想
AdaBoost
二、Gradient Boosting
基本框架
L2Boosting／AdaBoost
三、XGBoost
性能改进：规范的正则、损失函数二阶近似、建树&剪枝、缺失值处理
速度改进：稀疏特征、并行、Cache、分布式
四、案例：Kaggle的Allstate Instance Claim任务
第四讲：XGBoost实战
一、特征工程
常规数据检查流程
特征类型变换编码
特征工程一般原则
二、XGBoost参数调优
评估准则
复习交叉验证
三、XGBoost其他高级应用
多线程，并行
四、案例：Kaggle的Two Sigma Connect：Rental Listing Inquiries任务
|
|
[复制链接]
发表于 2018-5-13 19:54:39
收藏
发表于 2021-2-26 17:32:21
