集成学习

2601_967980117 天前
决策树·随机森林·机器学习·scikit-learn·集成学习
从决策树到随机森林:Python机器学习里的“树形家族“深度实战与原理拆解引言在机器学习那个算法种类非常多的体系里面, 有一对像树一样的兄弟模型一直都在核心位置占据着非常重要的地位。这个决策树呢, 它就像一个逻辑思路特别清楚的老教授一样, 它会用那种可以看得见的树状结构, 去把那些很复杂的决策过程拆解成是或不是的这种简简单单的判断环节。
喵本喵叁肆12 天前
算法·集成学习·boosting
用 Boosting 把弱隐私算法炼成强隐私算法(英文原题:Boosting and Differential Privacy (FOCS 2010))作者:Cynthia Dwork、Guy N. Rothblum、Salil Vadhan | 会议/年份:FOCS 2010 | 官方链接:DOI | 开放获取:PDF 一句话:把 AdaBoost 的"重加权"搬到查询集合上,让只对多数查询准确的弱摘要变成对全部查询准确的强摘要。 预计阅读:22 分钟
Godspeed Zhao13 天前
人工智能·机器学习·集成学习
从零开始学AI22——集成学习集成学习核心思想是“三个臭皮匠,顶个诸葛亮”,通过组合多个弱模型提升整体性能。三大流派:Bagging(如随机森林)并行训练、投票降方差,适合抗噪稳定场景;Boosting(如XGBoost)串行纠错、逐次优化,精准度高;Stacking多层融合,专家会诊,追求极致精度。在结构化数据领域,集成学习(尤其XGBoost、随机森林)是工业界与竞赛首选,广泛应用于风控、推荐、广告点击率预测等任务。非结构化数据(图像、语音)则由深度学习主导。数学本质:Bagging降低方差,Boosting通过梯度下降减偏差。代
Jsundoku23 天前
人工智能·机器学习·集成学习
第八章 机器学习 -- 集成学习Bagging(Bootstrap Aggregating)是 1996 年 Breiman 提出的方差缩减集成策略。其思想是:对训练集做有放回抽样训练多棵"基学习器",再把它们的预测聚合(分类投票 / 回归平均)。降低方差、保留偏差——尤其适合高方差、低偏差的基学习器(如决策树、神经网络)。
bingHHB25 天前
大数据·集成学习
聚水潭售后单同步至金蝶云·星空退货单:单一策略实战教程某零售企业在私域电商平台用聚水潭做店铺、订单与售后管理,在后端 ERP 用金蝶云·星空旗舰版做财务与库存核算。售后流程里,用户退回来的货需要先在聚水潭里做“实际收货”确认,再把这部分入库冲销回流到 ERP,否则库存和应收都会对不上账。这条策略就是把聚水潭的售后单(销售退仓-实际收货)按修改时间增量抓到轻易云,再落成金蝶云·星空的退货单。我们用轻易云数据集成平台(Qeasy)承接,整条链路跑在客户内网私有化环境里。
拾陆楼1 个月前
集成学习
formality: set_dont_verify_points用法我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?拾陆楼知识星球入口来自星球提问:Formality中如何对一些cell设dont verify points ? cell 比较多,是get_cells 抓出来的
DongQiShanRen1 个月前
开发语言·人工智能·算法·rust·哈希算法·集成学习
六根硬件映射(四):归属澄清、两处不一致与卷十一总表系列:《宪法即代码》第 34 篇(四)| 标签建议:AI编程、Rust、嵌入式、具身智能、防御性公开接(下)篇:本篇是卷十一的"审计面"——一处必须澄清的归属(唯一的硬件降级实现严格说不在卷十一)、融合与宣言(第 429/430 条)、两处必须写出来的不一致(意根五行归属冲突等),最后是卷十一实现状态总表。
DongQiShanRen1 个月前
大数据·jvm·人工智能·算法·rust·哈希算法·集成学习
六根硬件映射(下):物理闭环五步法,抽一条已实装的看系列:《宪法即代码》第 34 篇(下)| 标签建议:AI编程、Rust、嵌入式、具身智能、防御性公开接(中)篇:接口和闭环讲完了,本篇讲"怎么运转"——物理闭环五步法的数据流、物理管控五维;再从六根里抽一条已实装的看:鼻根的多传感器加权融合算法(4:3:2:1 权重表)。
DongQiShanRen1 个月前
数据库·人工智能·算法·rust·哈希算法·集成学习
六根硬件映射(中):双站校验、生克闭环与驱动接口系列:《宪法即代码》第 34 篇(中)| 标签建议:AI编程、Rust、嵌入式、具身智能、防御性公开接(上)篇:六根与六个硬件、统一命名规范都定完了。本篇讲这套命名怎么被"两台校验器"守住——木行"生名"与金行"归拢"的双站互校;再看硬件能力的五行生克闭环,以及统一驱动接口(标准立了,RTIC 没进依赖)。
bingHHB1 个月前
etl·集成学习
钉钉审批修改后回写金蝶付款单:增量更新策略实战在「付款申请单→钉钉审批→下推金蝶付款单」这条链路里,下推只是开始。审批节点上的业务人员常常会在审批结束后又回头修改货款属性、收款人、备注等表头信息,而金蝶侧付款单早已生成。如果每次修改都全量回写,既会冲掉原本的正确数据,又会让明细行跟着重算。这种「修改回写」场景需要一个只动表头三个字段、其余保持原状的增量更新策略。我们用轻易云数据集成平台(Qeasy)做这件事,效果稳定可控。
tellmewhoisi1 个月前
人工智能·机器学习·集成学习
机器学习:集成学习4(XGBoost的正则化项)叶子节点的输出权重 w j w_j wj,本质上就是这个叶子节点的输出值(预测值)。它俩是同一个东西,只是从不同角度去称呼它,所以名字听起来不一样:
小冯不疯1 个月前
集成学习
退货单产品同步实战:从纷享销客到 MySQL 的单策略落地方案This guide walks through a single-strategy sync that pulls CRM return-order product lines into MySQL on a 10-minute cadence, using Qeasy's WebAPI-to-SQL mapping. It emphasizes header-first phasing, business-key idempotency, float precision handling, and t
DongQiShanRen1 个月前
人工智能·深度学习·自然语言处理·集成学习·vllm
裁决台账双向互校(中):五向一致性链——②向解读与③向实现系列:《宪法即代码》第 31 篇(中)| 标签建议:AI编程、Rust、架构治理、CI、可追溯性接(上)篇:先解读上篇那段 map-root 代码——"任一断链即红"是怎么成立的;再补②向的"机器可读区"细节(台账怎么被人和机器共读);最后进入③向:五文件组 B2 判定的实现原文。
tellmewhoisi2 个月前
人工智能·机器学习·集成学习
机器学习:集成学习4(XGBoost 的API)原生的和sklearn 两个调用入参有区别在上面代码 还多加一层数据处理,防止样本分布不均,导致取样本训练不均匀
tellmewhoisi2 个月前
人工智能·机器学习·集成学习
机器学习:集成学习4(XGBoost前置知识泰勒展开式4)一阶导数 (f’(x)) 描述的是:当 (x) 变一点点时,(f(x)) 变化有多快。也就是斜率。比如:
tellmewhoisi2 个月前
人工智能·机器学习·集成学习
机器学习:集成学习4(XGBoost前置知识泰勒展开式2)泰勒公式要保证近似多项式在 x_0 处的二阶导数等于原函数的二阶导数。不懂,举个例子假设你有一个函数 ( f ( x ) = e x (f(x) = e^x (f(x)=ex),你想在 ( x = 0 (x = 0 (x=0) 附近用一个二次多项式去近似它:
tellmewhoisi2 个月前
人工智能·机器学习·集成学习
机器学习:集成学习4(XGBoost推导)XGBoost(极限梯度提升树,Extheme Gradient Boosting Tree),基于 打分函数的结果 决定是否分枝 步骤: 1.在损失函数的基础上 + 正则化项 2.基于特勒展开二阶式进行转换, 转成 近似函数 3.把问题从 样本角度 -> 叶子点角度 进行分析 4.得到最终结论,打分函数 ->Gian值 = 拆分前的分 - (拆分后左子树的分 - 拆分后右子树的分)
tellmewhoisi2 个月前
人工智能·机器学习·集成学习
机器学习:集成学习4(XGBoost前置知识泰勒展开式1)御三家: XGBoost、LightGBM、CatBoost二阶泰勒展开式(通常也叫二阶泰勒公式)。它的核心思想是:用一个二次多项式去近似一个函数在某一点附近的值。
Ivanqhz2 个月前
算法·决策树·机器学习·php·集成学习
图是“拓扑 + 类型 + 形状“的世界图是"拓扑 + 类型 + 形状"的世界这句话是理解 AI 编译器“图视角”的核心纲领。它并不是在说图里没有“数值”,而是在强调:
十三画者3 个月前
人工智能·深度学习·数据挖掘·数据分析·集成学习
【文献分享】PANORAMIC:用于空间组学共定位分析的分层不确定性传播框架空间分辨单细胞技术通过在完整组织内提供数千个细胞的分子、表型和位置测量,正在变革组织架构研究。这些技术不仅能定量组织中有哪些细胞类型,还能揭示它们如何空间组织。一个核心分析任务是测量细胞类型间的空间共定位(colocalization),这可以作为细胞互作、独特微环境和协调组织组织的代理指标。例如,细胞毒性T细胞相对于肿瘤细胞的空间组织是肿瘤免疫微环境的临床相关特征,而涉及B细胞、T细胞和抗原呈递细胞的有组织淋巴聚集体是三级淋巴结构的特征,与良好预后和免疫治疗响应相关。