【数据挖掘和机器学习技术】数据挖掘和机器学习相关的算法和模型，如聚类、分类、回归、神经网络
数据挖掘和机器学习是处理大量数据的关键技术，它们被广泛应用于数据分析、预测、智能推荐等领域。下面，我们将详细介绍数据挖掘和机器学习相关的算法和模型。1. 聚类为了更好地理解聚类，我们可以先来看一个故事。假设你是一家电商公司的数据分析师，负责对用户的购买行为进行分析。你收集了一些数据，包括用户的购买次...
数据挖掘与决策树：特征选择和模型解释
数据挖掘是现代软件开发中的一个重要领域，它涉及从大量数据中提取有用信息和模式的过程。在数据挖掘中，决策树是一种广泛使用的机器学习算法，它可以用于分类和回归任务。在本文中，我们将探讨决策树中的特征选择和模型解释的重要性以及如何应用它们。 特征选择 特征选择是在构建决策树模型之前，从可用的特征集中选择最...
数据挖掘实践（金融风控）：金融风控之贷款违约预测挑战赛（下篇）[xgboots/lightgbm/Catboost等模型]--模型融合：stacking、blending
数据挖掘实践（金融风控）：金融风控之贷款违约预测挑战赛（下篇）[xgboots/lightgbm/Catboost等模型]--模型融合：stacking、blending相关文章： 数据挖掘实践（金融风控）：金融风控之贷款违约预测挑战赛(上篇) 数据挖掘机器学习专栏4.建模与调参项目链接以及码源见文...
数据挖掘实践（金融风控）：金融风控之贷款违约预测挑战赛（上篇）[xgboots/lightgbm/Catboost等模型]–模型融合：stacking、blending
数据挖掘实践（金融风控）：金融风控之贷款违约预测挑战赛（上篇）[xgboots/lightgbm/Catboost等模型]--模型融合：stacking、blending1.赛题简介赛题以金融风控中的个人信贷为背景，要求选手根据贷款申请人的数据信息预测其是否有违约的可能，以此判断是否通过此项贷款，这...
【数据挖掘实战】——应用系统负载分析与容量预测(ARIMA模型)
一、背景和挖掘目标 1、问题背景应用系统是由服务器、数据库、中间件、存储设备等组成。它在日常运行时，会对底层软硬件造成负荷。其中任何一种资源负载过大，都可能会引起应用系统性能下降甚至瘫痪。及时了解当前应用系统的负载情况，以便提前预防，确保系统安全稳定运行。应用系统的负载率：通过对一段时间内软硬件性能...
【机器学习入门与实践】数据挖掘-二手车价格交易预测（含EDA探索、特征工程、特征优化、模型融合等）
【机器学习入门与实践】数据挖掘-二手车价格交易预测（含EDA探索、特征工程、特征优化、模型融合等）note：项目链接以及码源见文末1.赛题简介了解赛题赛题概况数据概况预测指标分析赛题数据读取pandas分类指标评价计算示例回归指标评价计算示例EDA探索载入各种数据科学以及可视化库载入数据总览数据概况...
数据挖掘-模型怎么解决业务需求（五）
我们的目标是业务需求，而数据挖掘产出的结果。不管是预测型的还是关联型的，都要结合业务场景，融入到业务流程中去。模型部署本质――回归业务！模型如何保存？如何根据业务需求优化？如何最终上线服务？模型的保存模型保存的规范。存放的位置、名字的定义、模型使用的算法、参数、数据、效果等。模型的优化模型训练阶段优...
数据挖掘-模型的评估（四）
模型评估是对模型进行多种维度的评估，来确认模型是否可以放到线上去使用。例子：“识别图片是不是关于小狗”的分类模型：有1000张图片用于测试该模型的效果并且预先已经进行了人工的标注(这里假设人工标注的数据都是100%正确)每张图都会标注是或者不是小狗的图片，假设有800张标注“是”，200张标注“否”...
数据挖掘：降低汽油精制过程中的辛烷值损失模型(二)
一、选取主要特征操作变量 1.1问题分析汽油的实际精制生产工序十分繁琐，可操作位点繁多，而不同操作位点之间可能存在着某些相关性质，例如装置内部温度的变化可能会导致装置内部压力的变化。同时也存在 一些与汽油成品质量相关性不大的常规操作变量。为了降低后续数据处理过程中所消耗的计算资源，需要对3...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
