机器学习-数据科学专业问答社区-CDA答疑社区

热线电话：13121318867

登录

shauna570392

是不是随机森林进行回归填补的效果更好

是的，一般情况下使用随机森林填补比用0填补，用中位数或均值填补的效果要好一些。但是使用随机森林填补的解释性不高，也可能产生过拟合。

0.0000

0

2

0

关注作者

收藏

shauna570392

查看样本分布和画热度图的意义分别在哪里

查看样本分布是为了看样本是否有偏，有没有不均衡的情况。画相关系数热力图是为了查看特征的相关系数，相关系数太高的特征说明有共线性，需要进行处理。

0.0000

0

5

0

关注作者

收藏

shauna570392

随机数种子一样，运行出来的结果怎么不一样

问：和老师设置的随机数种子一样，运行出来的结果怎么不一样答：老师在运行的时候将随机数种子注释掉了，相当于没有设置随机数种子，所以运行出的结果不一样。如果设置一样的随机数种子，结果会是一样的。

0.0000

0

1

0

关注作者

收藏

shauna570392

transform 和predict有什么区别

transform函数是在fit的基础上，进行标准化，降维，归一化等操作（看具体用的是哪个工具，如PCA，StandardScaler等），是用于数据预处理的函数。predict函数是用于模型预测，建模后使用predict函数预测y值。

0.0000

0

3

0

关注作者

收藏

PGC123

不平衡数据集指的是特征值缺失较多的情况，不是指标签吧？

老师，不平衡数据集指的是特征值缺失较多的情况，不是指标签0—1多少之间的不平衡吧答：不平衡字面意思就是分布的不均匀的意思，数据集不平衡就是指样本标签0-1 分布不均衡，是对Y变量的描述。如果单独对样本的某一个特征变量来说也可以，表示该字段取值分布不均衡。

3.3552

1

1

0

关注作者

收藏

shauna570392

报错：unsupported operand type(s) for :'int' and 'str'因为kernel里有整型也有字符型，所以无法遍历，正确代码为：kernel = ['linear', 'poly', 'rbf', 'sigmoid']for i in kernel: start_time = time.time() clf = SVC(kern

0.0000

0

2

0

关注作者

收藏

shauna570392

报ValueError错误错误原因为缺少一步操作，没有删除date导致转换数值型变量失败，需运行Xtrain.drop('Date', axis = 1, inplace = True)Xtest.drop('Date', axis = 1, inplace = True)

0.0000

0

3

0

关注作者

收藏

shauna570392

结构风险函数就是目标函数吧

不是风险函数：损失函数的期望（前n个损失函数之和/N），这是由于我们输入输出的(X,Y)遵循一个联合分布，但是这个联合分布是未知的，所以无法计算。但是我们是有历史数据的，就是我们的训练集，f(X)关于训练集的平均损失称作经验风险(empirical risk)，我们的目标就是最小化经验风险。 a目标函数（Object Function）：是指最终需要优化的函数，一般来说是经验风险

0.0000

0

1

0

关注作者

收藏

shauna570392

数据集最优的处理流程

一、问题解答对数据集最优的处理流程是先对类别型进行编码之后切分，然后再处理连续性数据的量纲吗？二、问题解答根据不同的算法，有不同的处理方式。以防先进行连续性数据处理导致信息泄漏，可以先进行编码处理后进行切分，然后再对连续性变量进行标准化，归一化等去量纲处理。

0.0000

0

1

0

关注作者

收藏

shauna570392

Adaboost和Xgboost原理的区别和联系是什么

AdaboostAdaboost是模型为加法模型，损失函数为指数函数，学习算法为向前分布算法的二分类学习算法。其基学习器最常见的是决策树桩，也就是深度为1 的决策树。在每一轮提升相应错分类点的权重可以被理解为调整错分类点的observation probability。xgboost在XGBoost中，树可以有不同数量的终端节点，并且计算证据较少的树的左权值收缩得更厉害。Newton Bo

0.0000

0

1

0

关注作者

收藏

shauna570392

如何理解拟合上次预测的残差？

xgboost算法思想就是不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数，去拟合上次预测的残差。当我们训练完成得到k棵树，我们要预测一个样本的分数，其实就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数，最后只需要将每棵树对应的分数加起来就是该样本的预测值。

0.0000

0

2

0

关注作者

收藏

shauna570392

一、问题描述python报错： cannot import name 'RandomforesrClassifier' from 'sklearn.ensemble'二、解决办法发现是因为导包时f没有大写，正确写法为：RandomForesrClassifier

0.0000

0

3

0

关注作者

收藏

shauna570392

Simpleimputer处理的相关问题

一、问题描述Simpleimputer 填补缺失值时，transfrom( ) 时遇到 fit( ) 时没有训练到的情况时，怎么处理的？这种情况在现实中发生的多吗？二、问题解答不多，只要数据量够多，都会被训练到。一般是数据量少的时候会发生，数量多的话不会。

0.0000

0

3

0

关注作者

收藏

shauna570392

先编码，再切分数据，不会泄漏信息吧？

如果是分类型数据，可以先编码后切分。如果做imputer则需先切分，否则信息被泄露。

0.0000

0

2

0

关注作者

收藏

shauna570392

recall 要用recall_score（）吗？

一、问题描述recall 要用recall_score（）吗？直接score就可以吗？二、问题解答不行，这个是两个评估指标。recall_score用来计算召回率，score是训练好的模型在测试集上进行评分（0~1）1分代表最好

0.0000

0

3

0

关注作者

收藏

shauna570392

为什么不先进行数据处理在进行分割，而是一开始就分割

防止x_test泄露信息当先进行数据处理时，需对数据进行一些填补，异常值缺失值处理或标准化处理，这时对所有数据处理时，x_test已经泄露了信息，所以应该先分割再进行处理。

0.0000

0

2

0

关注作者

收藏

shauna570392

为什么加了松弛变量，损失函数是这个

一、问题描述为什么加了松弛变量，损失函数是这个变成求L最大值，之前不是损失函数求最小值么二、问题解答在线性可分的情况下，我们就是要求||w||^2的最小值。但是在线性不可分的情况下，无论你怎么划分，总是会有点不符合限制条件，也就是说，总有些点y(wx b) < 1，明明是这个类的却跑到平面的另一边。这样的情况，我们无法求解。于是我们放宽条件，只需要y(wx b) >= 1 - ε

0.0000

0

0

0

关注作者

收藏

shauna570392

如何理解这个式子有两个松弛变量的项

如何理解这个式子有两个松弛变量的项显然每个样本都有其对应的”松弛变量”，表征了该样本不满足约束的程度—来自《机器学习》周志华。可以理解为样本离虚线边界距离的大小，越小则不满足约束程度越小，越大则不满足约束程度越大。

0.0000

0

1

0

关注作者

收藏

shauna570392

svm有关疑问

一、问题描述SVM 起初是追求分类正确，再追求超平面离支持向量距离最大化，那SVM刚开始（追求分类正确）是否是利用了感知机原理？二、问题解答是的。就是这样，svm不仅可以保证分类正确，还能追求距离最大化。

0.0000

0

0

0

关注作者

收藏

shauna570392

怎么判断每个变量的预测能力

如何衡量变量的预测能力呢，可以采用通用方法：计算IV、信息增益或基尼系数等等；也可以为特定模型设计特定的计算方法。①首先，只有类别变量才能计算IV，因此，连续变量需要先分箱（分区间）②对于类别变量，需要计算该变量中每一个类别的WOE(weight of evidence)计算公式为： WOE表示的含义即是"当前分组中响应客户占所有响应客户的比例"和"当前分组中没有响应的客户占所有没有

0.0000

0

2

0

关注作者

收藏

<1…363738…69>

CDA考试动态

CDA报考指南