logo

Datawhale

  • 树模型与集成学习
    • Part A: 决策树
    • Part B: 集成模式
    • Part C: 自适应提升法
    • Part D: 梯度提升树
  • EM算法与抽样理论
    • EM算法
    • 抽样理论
Theme by the Executable Book Project
Contents
  • 章节目录

机器学习:从原理到实现¶

待填

章节目录¶

  • 树模型与集成学习
    • Part A: 决策树
      • 1. 信息论基础
      • 2. 分类树的节点分裂
      • 3. CART树
      • 4. 决策树的剪枝
      • 知识回顾
    • Part B: 集成模式
      • 1. 为何集成
      • 2. bagging与boosting
      • 3. stacking与blending
      • 4. 两种并行集成的树模型
      • 知识回顾
    • Part C: 自适应提升法
      • 1. Adaboost概述
      • 2. 分类损失
      • 3. SAMME
      • 4. SAMME.R
      • 5. Adaboost.R2
      • 知识回顾
    • Part D: 梯度提升树
      • 1. 用于回归的GBDT
      • 2. 用于分类的GBDT
      • 3. XGBoost算法
      • 4. LightGBM算法
      • 知识回顾
  • EM算法与抽样理论
    • EM算法
    • 抽样理论
树模型与集成学习

By GYH
© Copyright 2021, GYH.