夕月Noah
0 位追蹤者
夕月Noah
0 位追蹤者
全部內容
由新到舊
本文分享在 Kaggle House Price挑戰中的實作經驗。在不進行複雜特徵工程的前提下，利用 KNN Imputer 和 Simple Imputer 自動補齊欄位的缺失值，並透過GA為四種模型尋找最佳超參數。最終透過模型融合得到成績。
這篇是Titanic 生還預測：Machine Learning from Disaster原先後面有的補充資料，因為字數限制另外開到這篇寫。透過 Optuna，我們可以讓模型自主尋找最佳的特徵組合和參數設定，大幅提升實驗效率。
這篇文章記錄了我第一次進行鐵達尼號比賽，以及後來又再度認真的玩這個比賽的過程，會介紹一下我最終的code以及最一開始到最終的心路歷程，分享給大家做參考。
本文簡單地介紹線性模型、樹模型和神經網路三大類機器學習模型，並結合Kaggle比賽實戰經驗，說明模型選擇、超參數調整、模型融合和模型解釋等關鍵技術。
這篇介紹特徵工程在 Kaggle 專案中的重要性，並詳細說明數值型和類別型特徵的處理技巧，包含標準化、正規化、分箱、數值轉換、Label Encoding...等方法。文章說明各個技巧的應用場景和注意事項，並說明如何提升模型的預測能力。
這篇文章討論機器學習中資料清理的重要性，並說明缺失值、異常值、資料型別錯誤、類別不一致和樣本不均衡等常見問題的處理方法。文章強調理解資料的重要性，並指出資料清理不是單選題，而是一場需要不斷嘗試和驗證的旅程。
本文介紹作者在機器學習學到並整理的基礎概念、流程與重要元素，並以自身學習歷程，說明資料清理的重要性，點出機器學習並非僅僅是讓機器學習演算法運作，更包含資料前處理、特徵工程等環節。
