/text/73
首页
机器学习
神经网络
深度学习
视频
VIP开通
饼饼饼
关闭
用户登录
忘记密码?
注册
登录
机器学习-算法原理
Lasso回归-算法原理
一、Lasso回归
1.1.Lasso回归
【原理】Lasso回归模型介绍
【求解】Lasso回归的求解算法
【推导】Lasso迭代公式推导
【代码】自写代码-实现Lasso回归
逻辑回归与决策树
一、自实现-逻辑回归
1.1.逻辑回归-模型原理
【模型】逻辑回归模型简介
【推导】逻辑回归-损失函数推导
1.2.逻辑回归-牛顿法求解
【原理】牛顿法求极值
【原理】牛顿法求解逻辑回归
【原理】牛顿法求解逻辑回归-简化版
【流程】牛顿法求解逻辑回归-算法流程
【附件】加权最小二乘法
1.3.逻辑回归-代码实现
【代码】逻辑回归-自实现代码(matlab)
【代码】逻辑回归-自实现代码(python)
二、CART决策树
2.1.CART决策树-模型原理
【原理】CART分类树构建原理
【原理】CART分类树构建算法实现
【推导】GINI系数的含义与推导
2.2.CART决策树-剪枝原理
【原理】什么是CCP后剪枝
【原理】CCP路径的原理与计算
2.3.CART决策树-代码实现
【代码】CART分类树-调包DEMO(matlab)
【代码】CART分类树-代码自实现(matlab)
【代码】CART分类树-代码自实现(python)
【代码】复现sklearn中CCP路径的实现代码(python)
集成算法
一、随机森林算法
1.1.随机森林
【原理】随机森林原理
【指标】随机森林的袋外错误率
【指标】随机森林的特征权重
【代码】sklearn简单实现随机森林
【代码】随机森林-自实现代码
二、Adaboost算法
2.1.Adaboost原理
【模型】Adaboost模型介绍
【训练】Adaboost的训练
【流程】Adaboost的算法流程
【推导】Adaboost公式推导
2.2.Adaboost代码实现
【代码】Adaboost简单Demo(sklearn)
【代码】Adaboost-自实现代码
三、GBDT算法
3.1.GBDT原理
【模型】GBDT模型介绍
【训练】GBDT的训练方法
【流程】GBDT的算法流程
【推导】GBDT公式推导
3.2.GBDT代码实现
【代码】GBDT简单Demo(sklearn)
【代码】GBDT-自实现代码
降维算法
一、PCA与SVD降维
1.1.PCA主成份分析
【原理】PCA主成份分析原理
【代码】PCA的求解及代码
【附件】协方差与相关系数
二、LDA线性判别
2.1.LDA算法原理与实现
【概述】LDA系列算法概述
【基础】基于贝叶斯原理的判别函数
【原理】LDA线性判别算法原理
【流程】LDA算法流程
【附件】类内类间协方差定义及推导
【代码】LDA线性判别分析Demo(python-sklearn)
【代码】LDA代码复现
2.2.QDA二次判别
【原理】二次判别QDA
【代码】QDA代码复现
2.3.Fisher-LDA
【原理】Fisher-LDA线性判别算法原理
【流程】Fisher-LDA算法流程
【代码】Fisher-LDA代码复现
三、FA因子分析
3.1.FA因子分析原理
【模型】FA因子分析模型介绍
【原理】FA因子分析模型系数求解
【推导】FA因子分析W的驻点求解
【流程】因子分析算法流程
【附件】线性加噪高斯分布的分析
3.2.FA因子分析代码实现
【代码】因子分析代码实现
SVM支持向量机
一、SVM基础模型
1.1.SVM模型
【硬间隔】SVM硬间隔模型与损失函数
【硬间隔】SVM硬间隔损失函数的对偶问题
【软间隔】SVM软间隔模型与损失函数
【软间隔】SVM软间隔损失函数的对偶问题
二、SVM求解
2.1.SMO算法求解SVM
【综述】SVM-SMO求解算法思想
【原理】SVM-SMO求解算法原理
【推导】SVM-SMO求解算法原理-αIαJ的优化推导
【流程】SVM-SMO求解算法流程
2.2.SVM附件
【附件】拉格朗日对偶性-解决带约束条件的优化问题
【附件】如何搭建环境调试libsvm3.25
三、SVM多类别模型与概率模型
3.1.SVM概率模型
【原理】SVM概率模型原理
【推导】SVM概率模型相关公式推导
【流程】SVM概率模型算法流程
3.2.SVM多类别模型
【原理】SVM多类别模型
【原理】SVM多类别概率模型原理
四、SVM代码实现-python
4.1.SVM代码自实现
【说明】SVM代码说明
【代码】SVM二分类模型代码-svm_train_one.py
【代码】SVM二分类概率模型代码-svm_train_prob_one.py
【代码】SVM多分类模型-svm_muti_train.py
五、SVM代码自实现-matlab
5.1.SVM代码实现-matlab
【代码】svm代码说明
【代码】svm_train_one.m
【代码】svm_predict_one.m
【代码】svm_train_prob_one
【代码】svm_muti_train.m
【代码】svm_muti_predict.m
5.2.SVM测试代码-matlab
【代码】test_svm_one
【代码】test_svm_train_prob_one
【代码】test_svm_muti_train.m
评分卡-实例课程
一、评分卡实例-建模流程
1.1.评分卡-建模实例讲解
【概述】评分卡介绍
【 0 】评分卡实例-问题概述与流程
【 1 】评分卡实例-数据准备(特征工程)
【 2 】评分卡实例-逻辑回归建模
【 3 】评分卡实例-评分卡制作
【 4 】评分卡实例-阈值表与评分阈值
【 5 】评分卡实例-交付总结
【代码】评分卡实例:完整建模代码
【附件】评分卡实例:变量初探结果
【附件】评分卡实例:变量分箱结果
1.2.关于评分卡分数转换
【原理】评分卡-分数转换与推导
【应用】评分卡-分数转换使用总结
【实例】评分卡分数转换实例
二、评分卡实例-变量分析
2.1.评分卡-变量分析实操流程
【0】变量分析与分箱-概述
【1】数据导入
【2】数据清洗-生成变量表
【3】变量初探-变量选择
【4】变量分组
【5】变量分析总结
【结果】变量初探结果
【结果】变量分箱结果
【代码】生成变量表代码
【代码】变量初探代码
【代码】生成分组表代码
【代码】分组的badRate结果代码
2.2.评分卡-变量分析综述
评分卡-技术栈与变量分析方法
评分卡-变量选择(iv法)
评分卡-IV值的计算与原理
三、评分卡上线
3.1.评分卡上线
模型效果不佳怎么办
评分卡-WOE的意义与推导
评分卡-模型上线后的监控-PSI
四、评分卡-自动分箱方法
4.1.自动分箱常用方法
自动分箱概述
【原理】决策树分箱原理与实例
【原理】最大KS分箱
【实例】最大KS分箱实例
【原理】卡方分箱
【实例】卡方分箱实例
【附件】卡方检验概述
【附件】卡方检验-独立性检验
【附件】卡方检验-拟合性检验
4.2.代码实现
【代码】决策树分箱代码
【代码】最大KS分箱代码
【代码】卡方分箱代码
/
机器学习
/
Lasso回归-算法原理
【原理】Lasso回归模型介绍
作者 : 老饼
发表日期 : 2022-06-26 10:38:54
更新日期 : 2023-11-09 19:09:10
会员文章,
请先登录哦
联系老饼