tan_2810 - 博客园

win10 anaconda3 python3.6安装tensorflow keras tensorflow_federated详细步骤及在jupyter notebook运行指定的conda虚拟环境

摘要：本文链接：https://blog.csdn.net/weixin_44290661/article/details/1026789071. 安装tensorflow keras tensorflow_federated详细步骤因为tensorflow很多依赖及版本兼容性问题，卸载麻烦，所以我是新建阅读全文

posted @ 2019-10-31 17:03 tan_2810 阅读(1566) 评论(0) 推荐(0)

XGBoost、LightGBM参数讲解及实战

摘要：本文链接：https://blog.csdn.net/linxid/article/details/80785131XGBoost一、API详解xgboost.XGBClassifier1.1 参数1.1.1 通用参数：booster=‘gbtree’ 使用的提升数的种类 gbtree, gblin 阅读全文

posted @ 2019-09-25 18:37 tan_2810 阅读(2155) 评论(0) 推荐(0)

linux ip命令和ifconfig命令

摘要：转载于：https://blog.csdn.net/freeking101/article/details/68939059 From: http://blog.jobbole.com/97270/ From: https://linux.cn/article-3144-1.html From: h 阅读全文

posted @ 2019-09-25 15:41 tan_2810 阅读(759) 评论(0) 推荐(0)

XGBoost和LightGBM的参数以及调参

摘要：一、XGBoost参数解释 XGBoost的参数一共分为三类： Note: 我下面介绍的参数都是我觉得比较重要的, 完整参数请戳官方文档 1.通用参数 2.Booster参数 n_estimator: 也作num_boosting_rounds 这是生成的最大树的数目，也是最大的迭代次数。 lear 阅读全文

posted @ 2019-08-28 17:11 tan_2810 阅读(900) 评论(0) 推荐(0)

LGBMClassifier参数

摘要：本文链接：https://blog.csdn.net/starmoth/article/details/845867091.boosting_type=‘gbdt’# 提升树的类型 gbdt,dart,goss,rf2.num_leavel=32#树的最大叶子数，对比xgboost一般为2^(max 阅读全文

posted @ 2019-08-28 17:11 tan_2810 阅读(9047) 评论(0) 推荐(0)

LightGBM调参笔记

摘要：本文链接：https://blog.csdn.net/u012735708/article/details/837497031. 概述在竞赛题中，我们知道XGBoost算法非常热门，是很多的比赛的大杀器，但是在使用过程中，其训练耗时很长，内存占用比较大。在2017年年1月微软在GitHub的上开源了阅读全文

posted @ 2019-08-28 17:07 tan_2810 阅读(2165) 评论(0) 推荐(0)

LightGBM 调参方法（具体操作）

摘要：其实，对于基于决策树的模型，调参的方法都是大同小异。一般都需要如下步骤：所以，下面的调参例子是基于上述步骤来操作。数据集为一个(4400+, 1000+)的数据集，全是数值特征，metric采用均方根误差。（PS：还是吐槽一下，lightgbm参数的同义词(alias)实在是太多了，有时候不同的阅读全文

posted @ 2019-08-28 17:06 tan_2810 阅读(788) 评论(1) 推荐(1)

计算机会议排名等级

摘要：附件是计算机领域的学术会议等级排名情况，分为A+, A, B, C, L 共5个档次。其中A+属于顶级会议，基本是这个领域全世界大牛们参与和关注最多的会议。国内的研究者能在其中发表论文的话，是很值得骄傲的成就。 A类也是非常好的会议了，尤其是一些热门的研究方向，A类的会议投稿多录用率低，部分A类会议阅读全文

posted @ 2019-08-19 10:31 tan_2810 阅读(1755) 评论(0) 推荐(0)

Hebye 深度学习中Dropout原理解析

摘要： 1. Dropout简介 1.1 Dropout出现的原因在机器学习的模型中，如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。在训练神经网络的时候经常会遇到过拟合的问题，过拟合具体表现在：模型在训练数据上损失函数较小，预测准确率较高；但是在测试数据上损失函数比较大，预阅读全文

posted @ 2019-08-03 00:46 tan_2810 阅读(189) 评论(0) 推荐(0)

Setting up the data and the model

摘要： Table of Contents: Setting up the data and the model Data Preprocessing Weight Initialization Batch Normalization Regularization (L2/L1/Maxnorm/Dropou 阅读全文

posted @ 2019-08-02 23:24 tan_2810 阅读(349) 评论(0) 推荐(0)