Публикации по теме 'random-forest'
Как максимизировать модели машинного обучения и улучшить прогнозы
Настройка VotingClass sklearn для оптимизации функций и моделей
В текущей статье обсуждается настройка класса голосования sklearn , чтобы сделать его более гибким и чтобы функции в ансамбле голосования можно было настроить для каждой модели. В нем обсуждается, почему мы используем этот подход, а также преимущества и ограничения случайного леса и логистической регрессии, а также почему они сильнее вместе.
Обучение ансамблем
Ансамблевое обучение объединяет агрегированные прогнозы..
Можно ли создавать алгоритмы машинного обучения без программирования?
Я подготовил простое приложение, чтобы показать вам, как это возможно с небольшой помощью интересного инструмента под названием Orange.
Я твердо уверен, что предыдущий шаг к созданию собственных алгоритмов машинного обучения или любой прогнозной модели с кодом - это понимание основ и умение рационально интерпретировать модель.
Мы часто думаем, что создание модели машинного обучения или анализа данных является такой сложной задачей, когда мы связываем ее с кодированием. Вот вам еще..
Проект Flatiron Phase 3: прогнозирование спроса на вакцины
Введение
Для моего третьего проекта в качестве студента по Data Science в Flatiron Bootcamp я создал модель, чтобы помочь Amerisource Bergen, фармацевтической компании, занимающейся оптовой торговлей, планировать свою стратегию распространения вакцинации против сезонного гриппа, прогнозируя ежегодный спрос на сезонные вакцины против гриппа.
В этом блоге я поделюсь обзором своего проекта. Вы можете найти репозиторий Github для этого проекта здесь .
Бизнес-кейс:
2022 год стал..
Демистификация случайного леса
Деконструкция и понимание этого прекрасного алгоритма
В классическом машинном обучении случайные леса были идеальной моделью.
Модель хороша по нескольким причинам:
Требует меньше предварительной обработки данных по сравнению со многими другими алгоритмами, что упрощает настройку Действует как классификационная или регрессионная модель Менее склонен к переоснащению Легко может вычислить важность функции
В этом посте я хочу лучше понять компоненты, из которых состоит случайный..
Анатомия пользователя Yelp
Yelp.com, основанный в 2004 году, - лучшее место, где можно найти обзоры местных предприятий.
Документ 2016 года показал , что в ресторанной индустрии повышение рейтинга на одну звезду на Yelp.com привело к увеличению выручки этого ресторана на 5–9%. Каждый раз, когда рейтинг ресторана превышал порог округления, его отображаемый рейтинг прерывался, а это означало, что рост дохода вызван именно рейтингом, а не повышением качества обслуживания или другим фактором.
Я взглянул на Yelp..
Эта модель поможет вам понять, как можно применять машинное обучение в розничной торговле.
Эта модель поможет вам понять, как можно применять машинное обучение в розничной торговле.
Введение проблемы
Есть много идей, когда дело доходит до применения науки о данных в розничной торговле.
Розничные приложения проводят тесты, чтобы узнать, какие продукты они могут предложить своим клиентам и какие типы скидок они могут отправить пользователям для повышения лояльности и вовлеченности.
Теперь представьте, что вы можете знать, будут ли ваши клиенты использовать купоны, которые..
Прогнозирование с помощью деревьев: гибридное моделирование временных рядов
Простые шаги для создания эффективного гибридного прогнозиста
Алгоритмы на основе дерева хорошо известны в экосистеме машинного обучения. Безусловно, они известны тем, что доминируют в подходе к каждой табличной контролируемой задаче . Имея табличный набор функций и цель для прогнозирования, они могут достичь удовлетворительных результатов без особых усилий или специальной предварительной обработки. Критерий расщепления, в основе их процедуры обучения, эффективен, чтобы..