趋近智
趋近智
一本关于高级梯度提升技术、实现与优化的全面指南。通过本课程，您将透彻理解XGBoost、LightGBM和CatBoost等算法，并学习如何有效地将其应用于复杂的机器学习 (machine learning)问题。本课程内容包括梯度提升模型的理论原理、实际实现细节、高级正则化 (regularization)方法、超参数 (parameter) (hyperparameter)调优策略以及模型可解释性。
先修课程 Python编程与机器学习入门
级别:
梯度提升理论
理解梯度提升机器（GBMs）的数学原理和算法细节。
高级算法实现
使用XGBoost、LightGBM和CatBoost各自的库进行算法实现与配置。
正则化技术
应用专为提升算法设计的高级正则化方法，以防止过拟合。
超参数优化
采用精细策略调优梯度提升模型的超参数，以达到最佳性能。
模型解释
运用SHAP等技术，解释复杂梯度提升模型的预测结果和运行表现。
性能优化
优化梯度提升模型，使其在大数据集上实现速度、内存占用和预测准确度的提升。
模型定制
在提升框架中实现自定义损失函数和评估指标。