上一页 1 ··· 149 150 151 152 153 154 155 156 157 ··· 273 下一页
2018年5月26日
MLPClassifier 隐藏层不包括输入和输出
摘要： 多层感知机（MLP）原理简介 多层感知机（MLP，Multilayer Perceptron）也叫人工神经网络（ANN，Artificial Neural Network），除了输入输出层，它中间可以有多个隐层，最简单的MLP只含一个隐层，即三层的结构，如下图： 从上图可以看到，多层感知机层与层之间 阅读全文
posted @ 2018-05-26 10:28 bonelee 阅读(7374) 评论(0) 推荐(0)
StratifiedShuffleSplit 交叉验证
摘要： 文章开始先讲下交叉验证，这个概念同样适用于这个划分函数 1.交叉验证(Cross-validation) 交叉验证是指在给定的建模样本中，拿出其中的大部分样本进行模型训练，生成模型，留小部分样本用刚建立的模型进行预测，并求这小部分样本的预测误差，记录它们的平方加和。这个过程一直进行，直到所有的样本都 阅读全文
posted @ 2018-05-26 10:01 bonelee 阅读(3664) 评论(0) 推荐(2)
2018年5月25日
从信用卡欺诈模型看不平衡数据分类（1）数据层面：使用过采样是主流，过采样通常使用smote，或者少数使用数据复制。过采样后模型选择RF、xgboost、神经网络能够取得非常不错的效果。（2）模型层面：使用模型集成，样本不做处理，将各个模型进行特征选择、参数调优后进行集成，通常也能够取得不错的结果。（3）其他方法：偶尔可以使用异常检测技术，IF为主
摘要： 总结：不平衡数据的分类，（1）数据层面：使用过采样是主流，过采样通常使用smote，或者少数使用数据复制。过采样后模型选择RF、xgboost、神经网络能够取得非常不错的效果。（2）模型层面：使用模型集成，样本不做处理，将各个模型进行特征选择、参数调优后进行集成，通常也能够取得不错的结果。（3）其他 阅读全文
posted @ 2018-05-25 17:44 bonelee 阅读(3427) 评论(0) 推荐(0)
kaggle 欺诈信用卡预测——Smote+LR
摘要： from：https://zhuanlan.zhihu.com/p/30461746 本项目需解决的问题 本项目通过利用信用卡的历史交易数据，进行机器学习，构建信用卡反欺诈预测模型，提前发现客户信用卡被盗刷的事件。 建模思路 项目背景 以上取自Kaggle官网对本数据集部分介绍（谷歌翻译），关于数据 阅读全文
posted @ 2018-05-25 12:11 bonelee 阅读(15271) 评论(0) 推荐(2)
kaggle 欺诈信用卡预测——不平衡训练样本的处理方法 综合结论就是：随机森林+过采样（直接复制或者smote后，黑白比例1:3 or 1:1）效果比较好！记得在smote前一定要先做标准化！！！其实随机森林对特征是否标准化无感，但是svm和LR就非常非常关键了
摘要： 先看数据： 特征如下： Time Number of seconds elapsed between each transaction (over two days) numeric V1 No description provided numeric V2 No description provi 阅读全文
posted @ 2018-05-25 10:47 bonelee 阅读(9493) 评论(5) 推荐(0)
leetcode 437. Path Sum III
摘要： You are given a binary tree in which each node contains an integer value. Find the number of paths that sum to a given value. The path does not need t 阅读全文
posted @ 2018-05-25 00:01 bonelee 阅读(192) 评论(0) 推荐(0)
2018年5月24日
cluster KMeans need preprocessing scale????
摘要： Out: n_digits: 10, n_samples 1797, n_features 64 __________________________________________________________________________________ init time inertia 阅读全文
posted @ 2018-05-24 19:56 bonelee 阅读(824) 评论(0) 推荐(0)
神经网络结构设计 不一定是第一层神经元是输入维度数
摘要： def get_model(input_dim=33): # Build neural network net = tflearn.input_data(shape=[None, input_dim]) net = batch_normalization(net) #net = tflearn.fu 阅读全文
posted @ 2018-05-24 19:30 bonelee 阅读(997) 评论(0) 推荐(0)
How to handle Imbalanced Classification Problems in machine learning?
摘要： How to handle Imbalanced Classification Problems in machine learning? from:https://www.analyticsvidhya.com/blog/2017/03/imbalanced-classification-prob 阅读全文
posted @ 2018-05-24 17:48 bonelee 阅读(1011) 评论(0) 推荐(0)
Using SMOTEBoost(过采样) and RUSBoost（使用聚类+集成学习） to deal with class imbalance
摘要： Using SMOTEBoost and RUSBoost to deal with class imbalance from:https://aitopics.org/doc/news:1B9F7A99/ Binary classification with strong class imbala 阅读全文
posted @ 2018-05-24 17:30 bonelee 阅读(5682) 评论(1) 推荐(0)
上一页 1 ··· 149 150 151 152 153 154 155 156 157 ··· 273 下一页