JadessLi

本文主要针对plotly的参数含义进行说明，随着plotly版本的迭代更新，部分参数的用法会有细微变化，具体参加官方文档 一、图表预览 二、图表类型 Angularaxis：...

JadessLi

LSTM(Long Short Term Memory Network)长短时记忆网络，是一种改进之后的循环神经网络，可以解决 RNN 无法处理长距离的依赖的问题，在时间序列...

JadessLi

1. 项目背景 项目来源于天池比赛工业蒸汽量预测 https://tianchi.aliyun.com/competition/entrance/231693/introdu...

JadessLi

1. 项目背景 项目来源于天池新人赛幸福感预测赛题https://tianchi.aliyun.com/competition/entrance/231702/introdu...

JadessLi

1.原理 Stacking方法是一种分层模型集成框架。以两层为例，首先将数据集分成训练集和测试集，利用训练集训练得到多个初级学习器，然后用初级学习器对测试集进行预测，并将输出...

JadessLi

1. Blending原理 Blending技术上源于Stacking Generalization。将训练数据进行划分，划分之后的训练数据一部分训练基模型，一部分经模型预测...

JadessLi

1. XGBoost算法分析 eXtreme Gradient Boosting(XGBoost) 是为效率、计算速度和模型的表现而设计的一种规模可变的、提高版本的grand...

JadessLi

模型融合大致有以下几类： by Freepic on Flaticon 1. 投票法（voting） 最早有两种集合方法：均值法和投票法。投票法是解决多值输出的问题时最常用的...

JadessLi

1. 前向分布算法 前向分布算法的思路是从前向后，每一步学习一个基函数及其系数，最终逐步逼近优化目标函数式。 2. 梯度提升决策树（GBDT） 梯度提升决策树是一种迭代的决策...

JadessLi

1. 统计特征 渔船的经纬度序列的统计特征，对渔船范围简单刻画 2. 渔船轨迹特征 将渔船的轨迹序列当成文本，使用Word2Vec进行向量表征

JadessLi

1. Boosting boosting, 通常是使用同质的弱学习器，用一种适应性的方式进行串行地学习并用确定性的策略将其结合起来。 2. AdaBoost AdaBoost...

JadessLi

1. Bagging Bagging经常采用的是同质的weak learners， models之间是相互独立的平行状态。相对比，Boosting的models间是串行状态。...

JadessLi

海上复杂环境造成设备故障产生信号错误或是数据丢失等现象经常发生，可采用3-sigma算法来判断异常值。 正态分布数据，99.73%的数据都集中在 [mean - 3*std,...

JadessLi

1. 常用工具的安装（MacOS系统） shapely :conda install -c conda-forge shapely geopandas :pip instal...