|
000
|
01557nam0 2200277 450
|
|
001
|
2437676606
|
|
010
|
|
@a978-7-302-65951-8@dCNY99.00
|
|
100
|
|
@a20240419d2024 em y0chiy0120 ea
|
|
101
|
1
|
@achi@ceng
|
|
102
|
|
@aCN@b110000
|
|
105
|
|
@aa z 000yy
|
|
106
|
|
@ar
|
|
200
|
1
|
@a梯度提升算法实战@Ati du ti sheng suan fa shi zhan@e基于XGBoost和scikit-learn@f(美) 科里·韦德著@g张生军译
|
|
210
|
|
@a北京@c清华大学出版社@d2024.04
|
|
215
|
|
@axvii, 218页@c图@d26cm
|
|
312
|
|
@a英文题名原文取自版权页
|
|
330
|
|
@a本书在介绍机器学习和XGBoost在scikit-learm中的应用后, 逐步深入梯度提升背后的理论知识。读者将学习决策树, 并分析在机器学习环境中的装袋技术, 同时学习拓展到XGBoost的超参数; 并将从零开始构建梯度提升模型, 将梯度提升扩展到大数据领域, 同时通过计时器的使用了解速度限制。接着, 本书重点探讨XGBoost的细节, 着重于速度提升和通过数学推导导出参数。通过详细案例研究, 读者将练习使用scikit-learn及原始的PythonAPI构建和微调XGBoost分类器与回归器; 并学习如何利用XGBoost的超参数来提高评分、纠正缺失值、缩放不平衡数据集, 并微调备选基学习器。最后, 读者将学习应用高级XGBoost技术, 如构建非相关的集成模型、堆叠模型, 并使用稀疏矩阵、定制转换器和管道为行业部署准备模型。
|
|
500
|
10
|
@aHands-on gradient boosting with XGBoost and scikit-learn@mChinese
|
|
517
|
1
|
@a基于XGBoost和scikit-learn@Aji yu XGBoost he scikit-learn
|
|
586
|
|
@a
|
|
606
|
0
|
@a机器学习@Aji qi xue xi@x算法
|
|
690
|
|
@aTP181@v5
|
|
701
|
1
|
@a韦德@Awei de@g(Wade, Corey)@4著
|
|
702
|
0
|
@a张生军@Azhang sheng jun@4译
|
|
801
|
0
|
@aCN@c20240419
|
|
905
|
|
@dTP181@eW510@f1@sTP181/W510@S@Z
|
|
|
|
|
| |
| 梯度提升算法实战：基于XGBoost和scikit-learn/(美) 科里·韦德著/张生军译.-北京：清华大学出版社，2024.04 |
| xvii, 218页：图；26cm |
| |
| |
| ISBN 978-7-302-65951-8：CNY99.00 |
| 本书在介绍机器学习和XGBoost在scikit-learm中的应用后, 逐步深入梯度提升背后的理论知识。读者将学习决策树, 并分析在机器学习环境中的装袋技术, 同时学习拓展到XGBoost的超参数; 并将从零开始构建梯度提升模型, 将梯度提升扩展到大数据领域, 同时通过计时器的使用了解速度限制。接着, 本书重点探讨XGBoost的细节, 着重于速度提升和通过数学推导导出参数。通过详细案例研究, 读者将练习使用scikit-learn及原始的PythonAPI构建和微调XGBoost分类器与回归器; 并学习如何利用XGBoost的超参数来提高评分、纠正缺失值、缩放不平衡数据集, 并微调备选基学习器。最后, 读者将学习应用高级XGBoost技术, 如构建非相关的集成模型、堆叠模型, 并使用稀疏矩阵、定制转换器和管道为行业部署准备模型。 |
| ● |
正题名：梯度提升算法实战
索取号：TP181/W510
预约/预借
| 序号
|
登录号
|
条形码
|
馆藏地/架位号
|
状态
|
备注
|
|
1
|
21614872
|
216148728
|
自科库301/301自科库 39排2列4层/
[索取号:TP181/W510]
|
在馆
|
|
