在零基礎入門資料探勘的 task4 建模調參部分，我學習了各種模型以及模型的評價和調參策略。在做好前期的準備工作之後，建模是至關重要的一環，需要根據資料的特點擊擇合適的模型，同時調參使得模型的效果更好。
了解常用的機器學習模型，並掌握機器學習模型的建模與調參流程
完成相應學習打卡任務
線性回歸模型：
線性回歸對於特徵的要求；
處理長尾分布；
理解線性回歸模型；
模型效能驗證：
評價函式與目標函式；
交叉驗證方法；
留一驗證方法；
針對時間序列問題的驗證；
繪製學習率曲線；
繪製驗證曲線；
嵌入式特徵選擇：
lasso回歸；
ridge回歸；
決策樹；
模型對比：
常用線性模型；
常用非線性模型；
模型調參：
貪心調參方法；
網格調參方法；
貝葉斯調參方法。
相關演算法原理篇幅較長，故摘錄課件上列出的學習資料，以備後續學習研究查閱。
1 線性回歸模型
link
2 決策樹模型
3 gbdt模型
4 xgboost模型
5 lightgbm模型
6 推薦教材：
《機器學習》
《統計學習方法》
《python大戰機器學習》
《面向機器學習的特徵工程》
《資料科學家訪談錄》
本次task涉及的知識較廣，包含各類經典模型及調參的方法，通過課件學習及**實戰有了乙個初步的感知。如何在乙個具體的實際問題中選擇適當的模型？需要我們對各類模型有充分的的認識，對資料足夠理解。這需要多動手練習。此外調參方法也是因模型而異，需要多多積累。
Task4 建模調參
task4 建模調參 學習材料位址 4.4.1 讀取資料 reduce mem usage函式沒看懂 4.4.2 對標籤進行log x 1 變換，使標籤由原來的長尾分布貼近於正態分佈 選用靠前時間的4 5樣本當作訓練集，靠後時間的1 5當作驗證集 l1正則化與l2正則化的區別 l2正則化在擬合過程中...
Task4 模型和調參
機器學習模型 1.線性回歸 本質上它是一系列特徵的線性組合，在二維空間中，你可以把它視作一條直線，在三維空間中可以視作是乙個平面。為了獲得w和b我們需要制定一定的策略，而這個策略在機器學習的領域中，往往描述為真實值與回歸值的偏差。優化方法 思路是線性代數中的矩陣求導 任務變成了求這個 公式的數學問題...
零基礎入門資料探勘 Task4 建模調參
一 介紹 1 線性回歸模型 線性回歸對於特徵的要求 處理長尾分布 理解線性回歸模型 2 模型效能驗證 評價函式與目標函式 交叉驗證方法 針對事件序列問題的驗證 繪製學習率曲線 繪製驗證曲線 3 嵌入式特徵選擇 lasso回歸 ridge回歸 決策樹4 模型對比 常用線性模型 常用非線性模型 5 模型...