Python中基于天气数据集XGBoost的示例分析

这篇文章将为大家详细讲解有关Python中基于天气数据集XGBoost的示例分析，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。XGBoost并不是一种模型，而是一个可供用户轻松解决分类、回归或排序问题的软件包。简单易用。相对其他机器学习库，用户可以轻松使用XGBoost并获得相当不错的效果。高效可扩展。在处理大规模数据集时速度快效果好，对内存等硬件资源要求不高。鲁棒性强。相对于深度学习模型不需要精细调参便能取得接近的效果。XGBoost内部实现提升树模型，可以自动处理缺失值。相对于深度学习模型无法对时空位置建模，不能很好地捕获图像、语音、文本等高维数据。在拥有海量训练数据，并能找到合适的深度学习模型时，深度学习的精度可以遥遥领先XGBoost。天气数据集 提取码：1234通过variable explorer查看样本数据也可以使用head()或tail()函数，查看样本前几行和后几行。不难看出，数据集中含有NAN，代表数据中存在缺失值，可能是在数据采集或者处理过程中产生的一种错误，此处采用-1将缺失值进行填充，还有其他的填充方法：中位数填补平均数填补注：在数据的前期处理中，一定要注意对缺失值的处理。前期数据处理的结果将会严重影响后面是否可能得到合理的结果填充后：XGBoost无法处理字符串类型的数据，需要将字免费云主机域名符串数据转化成数值初次之外，我们还可以使用XGBoost中的下列重要属性来评估特征的重要性：weight:是以特征用到的次数来评价gain:当利用特征做划分的时候的评价基尼指数cover:利用一个覆盖样本的指标二阶导数（具体原理不清楚有待探究）平均值来划分。total_gain:总基尼指数total_cover:总覆盖XGBoost中包括但不限于下列对模型影响较大的参数：learning_rate: 有时也叫作eta，系统默认值为0.3。每一步迭代的步长，很重要。太大了运行准确率不高，太小了运行速度慢。subsample：系统默认为1。这个参数控制对于每棵树，随机采样的比例。减小这个参数的值，算法会更加保守，避免过拟合, 取值范围零到一。colsample_bytree：系统默认值为1。我们一般设置成0.8左右。用来控制每棵随机采样的列数的占比(每一列是一个特征)。max_depth： 系统默认值为6，我们常用3-10之间的数字。这个值为树的最大深度。这个值是用来控制过拟合的。max_depth越大，模型学习的更加具体。调节模型参数的方法有贪心算法、网格调参、贝叶斯调参等。这里我们采用网格调参，它的基本思想是穷举搜索：在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果eta【默认0.3】：通过为每一颗树增加权重，提高模型的鲁棒性。典型值为0.01-0.2。min_child_weight【默认1】：决定最小叶子节点样本权重和。这个参数可以避免过拟合。当它的值较大时，可以避免模型学习到局部的特殊样本。但是如果这个值过高，则会导致模型拟合不充分。max_depth【默认6】：这个值也是用来避免过拟合的，max_depth越大，模型会学到更具体更局部的样本。典型值：3-10max_leaf_nodes：树上最大的节点或叶子的数量。可以替代max_depth的作用。这个参数的定义会导致忽略max_depth参数。gamma【默认0】：在节点分裂时，只有分裂后损失函数的值下降了，才会分裂这个节点。Gamma指定了节点分裂所需的最小损失函数下降值。这个参数的值越大，算法越保守。这个参数的值和损失函数息息相关。max_delta_step【默认0】：这个参数限制每棵树权重改变的最大步长。如果这个参数的值为0，那就意味着没有约束。如果它被赋予了某个正值，那么它会让这个算法更加保守。但是当各类别的样本十分不平衡时，它对分类问题是很有帮助的。subsample【默认1】：这个参数控制对于每棵树，随机采样的比例。减小这个参数的值，算法会更加保守，避免过拟合。但是，如果这个值设置得过小，它可能会导致欠拟合。典型值：0.5-1colsample_bytree【默认1】：用来控制每棵随机采样的列数的占比(每一列是一个特征)。典型值：0.5-1colsample_bylevel【默认1】：用来控制树的每一级的每一次分裂，对列数的采样的占比。subsample参数和colsample_bytree参数可以起到相同的作用，一般用不到。lambda【默认1】：权重的L2正则化项。(和Ridge regression类似)。这个参数是用来控制XGBoost的正则化部分的。虽然大部分数据科学家很少用到这个参数，但是这个参数在减少过拟合上还是可以挖掘出更多用处的。alpha【默认1】：权重的L1正则化项。(和Lasso regression类似)。可以应用在很高维度的情况下，使得算法的速度更快。scale_pos_weight【默认1】：在各类别样本十分不平衡时，把这个参数设定为一个正值，可以使算法更快收敛。关于“Python中基于天气数据集XGBoost的示例分析”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。

相关推荐: css单边内边距属性的示例分析

这篇文章给大家分享的是有关css单边内边距属性的示例分析的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。 也通过使用下面四个单独的属性，分别设置上、右、下、左内边距： padding-top padding-right padding…