xgboost

    2熱度

    1回答

    我是R編程語言的新手,我需要爲某些實驗運行「xgboost」。問題是,我需要交叉驗證模型,並得到準確,我發現兩種方法給我不同的結果: 用「插入符號」使用: library(mlbench) library(caret) library(caretEnsemble) dtrain <- read.csv("student-mat.csv", header=TRUE, sep=";") for

    3熱度

    1回答

    我有3個月的10k客戶的歷史購買數據,我想用這些數據來預測他們在未來3個月內的購買情況。我使用客戶ID作爲輸入變量,因爲我希望xgboost學習不同類別之間的個人消費。有沒有一種方法可以調整,所以強調要根據每個人的購買情況瞭解更多?或者更好的解決這個問題的方法?

    2熱度

    1回答

    我想了解以下情況: 當我創造新的xgbost DMatrix xgX = xgb.DMatrix(X, label=Y, missing=np.nan) 根據輸入數據X 64功能 我得到了新的DMatrix 55個功能 什麼神奇的是在這裏幹什麼?任何建議將是偉大的!

    3熱度

    2回答

    我想安裝在R上的包xgboost按指令: install.packages("drat", repos="https://cran.rstudio.com") drat:::addRepo("dmlc") install.packages("xgboost", repos="http://dmlc.ml/drat/", type = "source") 前兩個軟件包的安裝似乎很好地工作:

    0熱度

    1回答

    由於一些歷史原因,我只能在一臺機器上訓練xgboost模型,並在另一臺機器上使用,並且爲了傳輸我的模型,我僅限於使用json文件=>我需要擠壓我的xgboost轉換成json。 我想: json.dumps({'model': pickle.dumps(bst)}) ,但我得到的錯誤: UnicodeDecodeError: 'utf8' codec can't decode byte 0xf

    6熱度

    2回答

    希望我讀這個錯誤,但在XGBoost庫documentation,有注意到使用feature_importances_提取功能重要性屬性很像sklearn的隨機森林。 然而,出於某種原因,我不斷收到此錯誤:AttributeError: 'XGBClassifier' object has no attribute 'feature_importances_' 我的代碼片段如下: from skl

    0熱度

    1回答

    我使用XGBoost在R中訓練了我的模型,現在需要在C++中進行預測。我正在嘗試使用XGBoosterLoadModel函數在C++中加載模型文件。 我的代碼編譯得很好,但是在發現我的單元測試函數時失敗了。當我刪除呼叫功能XGBoosterLoadModel,一切工作正常,我可以看到我的單元測試。 下面是我在單元測試文件中的內容。任何關於我失蹤的線索都將非常感激: #include <xgboos

    0熱度

    2回答

    發現關於許多轉換,可以在目標值(Y列)被應用於數據集的,如框-Cox變換後我得知線性迴歸模型需要被以與正態分佈目標值訓練是有效的。(https://stats.stackexchange.com/questions/298/in-linear-regression-when-is-it-appropriate-to-use-the-log-of-an-independent-va) 我想知道是否這

    0熱度

    1回答

    這個問題是基於: xgboost in R: how does xgb.cv pass the optimal parameters into xgb.train 我試圖循環類似,不同的參數: for (iter in 1:100){ param <- list(objective = "binary:logistic", eval_metric = "auc",

    1熱度

    1回答

    我跑XGBoost XGBRegressor Python和數據集,看起來像這樣: click_id | manufacturer | category | delivery_time | price | revenue 1 |10 | 100 | 24 | 100 | 0 2 |10 | 100 | 24 | 100 | 0 3 |10 | 100 | 24 | 100 | 0 4 |10 |