- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据结构和算法
Python中的CatBoost高级教程——时间序列数据建模
在这个例子中，我们将使用CatBoostRegressor，因为我们正在处理一个回归问题。 from catboost import CatBoostRegressor # 创建模型 model = CatBoostRegressor() 训练模型 然后，我们将使用我们的数据来训练模型。
1.1K10编辑于 2024-03-09 - 来自专栏ATYUN订阅号
CatBoost:一个自动处理分类(CAT)数据的机器学习库
对于分类，你可以使用“CatBoostClassifier”，对于回归，使用“CatBoostRegressor”。 这是一个回归挑战，所以我们需要使用 CatBoostRegressor。 import pandas as pd import numpy as np from catboost import CatBoostRegressor #Read trainig and testing = np.float)[0] #importing library and building model from catboost import CatBoostRegressor model=CatBoostRegressor
5.4K70发布于 2018-03-02 - 来自专栏DeepHub IMBA
使用CatBoost进行不确定度估算：模型为何不确定以及如何估计不确定性水平
num_samples=10, iters=1000, lr=0.2): ens_preds = [] for seed in range(num_samples): model = CatBoostRegressor virt_ensemble(train_pool, val_pool, num_samples=10, iters=1000, lr=0.2): ens_preds = [] model = CatBoostRegressor 即，对于RMSEWithUncertainty，它返回以下统计信息：[均值预测，知识不确定性，数据不确定性]： model = CatBoostRegressor(iterations=1000, learning_rate
1.9K20发布于 2020-10-19 - 来自专栏机器学习AI算法工程
Catboost：超越Lightgbm和XGBoost的又一个boost算法神器
对于分类，您可以使用“CatBoostClassifier”和“CatBoostRegressor”进行回归。 在本文中，我将使用CatBoost解决“Big Mart Sales”实践问题。 这是一个回归的挑战，所以我们将使用CatBoostRegressor。 完整代码 案例一 ? ? AI项目体验地址 https://loveai.tech 案例二 ?
2.6K20发布于 2019-10-28 - 来自专栏机器学习实战
【机器学习实战】kaggle背包价格预测（堆叠的实战用法）
sklearn.linear_model import LinearRegression import lightgbm as lgb import xgboost as xgb from catboost import CatBoostRegressor trial.suggest_int('iterations', 100, 1000), 'verbose': False, 'random_state': 42 } model = CatBoostRegressor ==== lgb_model = lgb.LGBMRegressor(**best_lgb) xgb_model = xgb.XGBRegressor(**best_xgb) cat_model = CatBoostRegressor objective_cat(trial): params = { 'loss_function': 'RMSE', ... } model = CatBoostRegressor 定义基模型 lgb_model = lgb.LGBMRegressor(**best_lgb) xgb_model = xgb.XGBRegressor(**best_xgb) cat_model = CatBoostRegressor
63910编辑于 2025-02-27 - 来自专栏机器学习实战
【多层堆叠集成模型（Stacking Ensemble）详解】
import numpy as np import optuna import lightgbm as lgb import xgboost as xgb from catboost import CatBoostRegressor lgb_model = lgb.LGBMRegressor(**best_lgb) xgb_model = xgb.XGBRegressor(**best_xgb) cat_model = CatBoostRegressor # 后续层模型（可不同） lgb.LGBMRegressor(), xgb.XGBRegressor(), CatBoostRegressor
3.8K10编辑于 2025-03-12 - 来自专栏Coggle数据科学
科大讯飞：电信客户流失预测赛方案
pandas as pd import os import gc import lightgbm as lgb import xgboost as xgb from catboost import CatBoostRegressor return xgb_train, xgb_test def cat_model(x_train, y_train, x_test): cat_train, cat_test = cv_model(CatBoostRegressor
2.1K10编辑于 2022-08-31 - 来自专栏DeepHub IMBA
使用Optuna进行超参数优化
sklearn.model_selection import train_test_split from sklearn.metrics import r2_score from catboost import CatBoostRegressor "] == "Bernoulli": param["subsample"] = trial.suggest_float("subsample", 0.1, 1) reg = CatBoostRegressor
3.7K21发布于 2021-11-08 - 来自专栏人工智能与演化计算成长与进阶
【演化计算】Evolutionary Forest——基于演化算法的自动特征工程框架
sklearn.model_selection import train_test_split from xgboost import XGBRegressor from catboost import CatBoostRegressor n_estimators=100), 'LightGBM': LGBMRegressor(n_jobs=1, n_estimators=100), 'CatBoost': CatBoostRegressor
95811发布于 2021-06-10 - 来自专栏小小挖掘机
一文详尽解释CatBoost
ctr_history_unit=None, monotone_constraints=None)br CatBoostRegressor CatBoostRegressor class CatBoostRegressor(iterations=None, learning_rate=None
9.7K20发布于 2019-12-02 - 来自专栏AI小白入门
【ML】深入理解CatBoost
(clf, train, test)) # (0.7817912095285117, 0.7152541135019913) 8.3 CatBoost回归 from catboost import CatBoostRegressor eval_data = [[2, 4, 6, 8], [1, 4, 50, 60]] train_labels = [10, 20, 30] # Initialize CatBoostRegressor model = CatBoostRegressor(iterations=2, learning_rate=1,
1.5K20发布于 2020-02-24 - 来自专栏Datawhale专栏
深入理解CatBoost
(clf, train, test)) # (0.7817912095285117, 0.7152541135019913) 8.3 CatBoost回归 from catboost import CatBoostRegressor eval_data = [[2, 4, 6, 8], [1, 4, 50, 60]] train_labels = [10, 20, 30] # Initialize CatBoostRegressor model = CatBoostRegressor(iterations=2, learning_rate=1,
3.2K40发布于 2020-02-21 - 来自专栏ATYUN订阅号
深入探索Catboost模型可解释性（上）
以下是CatBoost让您为您的模型找到最佳功能的几种智能方法： cb = CatBoostRegressor() cb.get_feature_importance(type= "___") "type
4.5K21发布于 2019-07-17 - 来自专栏大数据文摘
智源小分子预测赛进行中：基于CatBoost建模的baseline分享
Catboost）和后续分析 import gc import pickle import datetime import numpy as np from catboost import CatBoostRegressor eval_pool = Pool(x_valid, y_valid, cat_features=cate_features) cbt_model = CatBoostRegressor
1.2K11发布于 2020-03-10 - 来自专栏量子位
手把手教你用Python实现自动特征工程
from catboost import CatBoostRegressor CatBoost要求所有分类变量都使用字符串格式。 model_cat = CatBoostRegressor(iterations=100, learning_rate=0.3, depth
1.6K50发布于 2018-09-29 - 来自专栏Datawhale专栏
一文详尽系列之CatBoost
ctr_history_unit=None, monotone_constraints=None)br CatBoostRegressor CatBoostRegressor class CatBoostRegressor(iterations=None, learning_rate=None
2.6K42发布于 2019-11-23 - 来自专栏DeepHub IMBA
使用Scikit-Learn的HalvingGridSearchCV进行更快的超参数调优
它实例化包含某些功能转换和CatBoostRegressor的管道。我在下面绘制了它的视觉表示。
1.1K30发布于 2021-07-01 - 来自专栏算法进阶
10个解释AI决策的Python库
CatBoost：显示CatBoostClassifier和CatBoostRegressor的特征重要性。 lightning -解释lightning 分类器和回归器的权重和预测。
68310编辑于 2023-11-30 - 来自专栏AI小白入门
【ML】一文详尽系列之CatBoost
具体可以参阅CatBoost python-reference_parameters-list 区分具体的机器学习任务有： CatBoostClassifier CatBoostClassifier br CatBoostRegressor CatBoostRegressor br 应用场景 作为GBDT框架内的算法，GBDT、XGBoost、LightGBM能够应用的场景CatBoost也都适用，并且在处理类别型特征具备独有的优势，比如广告推荐领域
3.4K31发布于 2019-12-03 - 来自专栏Datawhale专栏
基于LightGBM算法实现数据挖掘！
pandas as pd import numpy as np import lightgbm as lgb # import xgboost as xgb from catboost import CatBoostRegressor
1.1K50发布于 2021-04-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号