菜菜的机器学习sklearn课堂 视频教程 附课件数据源码

冰点也疯狂

课程目录：
01 第一章 决策树与泰坦尼克号生存预测
1.引言，sklearn入门.mp4
2.决策树：概述.mp4
: Q8 o/ F! i  x1 f! w! P  ]3 p, s3.1分类树：参数criterion.mp4
3.2分类树：实现一棵树，随机性参数.mp4
! }  L0 m, m: p5 h0 }7 W  ~3.3 分类树：剪枝参数调优(1).mp4
3.4 分类树：剪枝参数调优(2).mp4
( {0 F' x6 F5 O$ _+ x3 @+ V3.5 分类树：重要属性和接口.mp4
4.1 回归树：参数，属性和接口.mp4
4.2 回归树：交叉验证 (1).mp4
4.3 回归树：交叉验证(2).mp4
4.4 回归树案例：用回归树拟合正弦曲线.mp4
5.1 案例：泰坦尼克号生存者预测 (1).mp4
, y3 z! g) Q' a) x, M- h7 ^! a5.2 案例：泰坦尼克号生存者预测 (2).mp4
5.3 案例：泰坦尼克号生存者预测 (3).mp4
5.4 案例：泰坦尼克号生存者预测 (4).mp4
  _. G: s5 r: c+ m8 T
02 第二章 随机森林与医疗数据集调参
& E, Q+ C9 L) v( o! h8 `6 a$ I1 集成算法概述.mp4
1 x/ B( w0 p3 g6 q2.1 随机森林分类器.mp4
& l6 l2 ]8 A8 d# `6 R% m# ^2.2 参数boostrap & oob_score + 重要属性和接口.mp4
% e% j  q! V1 H! T7 j& y2.3 [选学] 袋装法的另一个必要条件.mp4
( s) |9 W1 d) a3.1 随机森林回归器.mp4
$ e7 ~$ N4 L. {2 A: j$ o" T3.2 案例：用随机森林填补缺失值 (1).mp4
3.3 案例：用随机森林填补缺失值 (2).mp4
+ {2 l( \8 D6 i! I. H6 y3.4 案例：用随机森林填补缺失值 (3).mp4
3.5 案例：用随机森林填补缺失值 (4).mp4
' U# w/ s7 |$ N2 R4. 机器学习中调参的基本思想.mp4
0 s/ _7 W) U, f( y5.1. 案例：随机森林在乳腺癌数据上的调参 (1）.mp4
; X0 v6 d0 w8 r: B/ V5.2 案例：随机森林在乳腺癌数据上的调参 (2).mp4

2 b6 u( J+ B9 t4 R" P: O. z
03 第三章 数据预处理与特征工程
0 概述 + 12期课纲.mp4
& r* _3 f* _- N$ M1.1 数据预处理1：数据归一化.mp4
1.2 数据预处理2：数据标准化.mp4
& E$ f. s* E( n3 z+ I1.3 数据预处理3：缺失值 (1).mp4
1.4 数据预处理4：缺失值 (2).mp4
1.5 数据预处理5：处理分类型数据.mp4
: k8 V% J6 W# A; z0 Y1.6 数据预处理6：处理连续型数据.mp4
2.1 特征选择1：过滤法-方差过滤 (1).mp4
% Q  b! d8 E: Q0 Z3 l. m2.2 特征选择2：过滤法-方差过滤 (2).mp4
2.3 特征选择3：过滤法-卡方过滤.mp4
2.4 特征选择4：过滤法-F检验和互信息法 (1).mp4
2.5 特征选择5：过滤法-互信息法(2) + 总结.mp4
4 m* r: E, z3 h+ j) I% v9 t9 N) V2.6 特征选择6：嵌入法 (1).mp4
2.7 特征选择7：嵌入法 (2).mp4
2.8 特征选择8：包装法 + 总结.mp4
1 e: R( {) ?9 ?
. R7 `" w$ \3 Q04 第四章 降维算法PCA与手写数字识别
0 c' S  l/ T& G. r1 降维算法概述.mp4
2.1 降维究竟怎样实现？.mp4
2.2 参数 + 案例：高维数据的可视化 (1).mp4
% H. H. w- A0 X; m+ t& T6 T2.2 参数 + 案例：高维数据的可视化 (2).mp4
4 N3 B# s! ^+ j* j( {2.3 PCA中的SVD，重要参数svd_solver.mp4
2.3 参数 + 案例：人脸识别中的components_应用.mp4.mp4
2.4 重要接口 + 案例1：用人脸识别看PCA降维后的信息保存量.mp4
3 s! k4 y: Q8 X% Z: b7 C; r+ s2.4 重要接口 + 案例2：用PCA实现手写数字的噪音过滤.mp4
2.5 原理，流程，重要属性接口和参数的总结.mp4
1 A) A* j- \6 F. W3.1 案例：PCA实现784个特征的手写数字的降维 (1.mp4
& }! y/ k6 e" {6 |3.2 案例：PCA实现784个特征的手写数字的降维 (2).mp4

05 第五章 逻辑回归和信用评分卡
8 C' A5 G4 T, O! Q. g( _! |0 前言.mp4
1.1 逻辑回归概述：名为“回归”的分类器.mp4
1.2 为什么需要逻辑回归.mp4
, o" O, w9 M7 D. {' H  f! P& J1.3 sklearn当中的逻辑回归.mp4
2.1.1 二元逻辑回归的损失函数.mp4
. |) w5 g, r3 j+ R2.2.1 正则化：重要参数penalty & C.mp4
6 w" N; [5 q! W2.2.2 逻辑回归的特征工程 (1).mp4
- }! Z2 y7 O0 r  J& N* W2.2.2 逻辑回归的特征工程 (2).mp4
2.2.2 逻辑回归的特征工程 (3).mp4
2.2.2 逻辑回归的特征工程 (4).mp4
2.3.1 重要参数max_iter - 梯度下降求解逻辑回归的过程.mp4
% n4 D8 w' P3 ]1 D- H5 q# y2.3.2 梯度的概念与解惑.mp4
2.3.3 步长的概念与解惑.mp4
  f! j! _$ v% v& }2.4 二元回归与多元回归：重要参数solver & multi_class.mp4
2.5 样本不均衡与参数class_weight.mp4
% J' ~) s7 P6 W; e5 m. d3.1 案例：评分卡与完整的模型开发流程.mp4
3.2.1~2 案例：评分卡 - 数据预处理(1) - 重复值与缺失值.mp4
' w5 _7 X. `: ]! M5 ]. U3.2.3 案例：评分卡 - 数据预处理 (2) - 异常值.mp4
3.2.4 案例：评分卡 - 数据预处理 (3) - 标准化.mp4
/ i% z  }6 h' r. h3.2.5 案例：评分卡 - 数据预处理 (4) - 样本不均衡问题.mp4
. s$ Q+ y) O* m: u1 y9 B! q3.2.6 案例：评分卡 - 数据预处理 (5) - 保存训练集和测试集数据.mp4
3.3 案例：评分卡 - 分箱 (1) - 概述与概念.mp4
3.3.1 案例：评分卡 - 分箱 (2) - 等频分箱 (1).mp4
3.3.1 案例：评分卡 - 分箱 (3) - 等频分箱 (2).mp4
' @: X4 P4 s) o, Y8 r8 c3.3.2 案例：评分卡 - 分箱 (4) - 选学说明.mp4
3.3.3 案例：评分卡 - 分箱 (5) - 计算WOE与IV.mp4
3.3.4 案例：评分卡 - 分箱 (6) - 卡方检验、箱体合并、IV值等.mp4
3.3.5 案例：评分卡 - 分箱 (7) - 包装分箱函数.mp4
( t! E8 s; @; l3.3.6 案例：评分卡 - 分箱 (8) - 包装判断分箱个数的函数.mp4
. m' d0 i, f6 z) M7 ~7 q6 |( c3.3.7 案例：评分卡 - 分箱 (9) - 对所有特征进行分箱.mp4
3.4 案例：评分卡 - 映射数据 (1).mp4
4 e+ [: r0 S& d3.4 案例：评分卡 - 映射数据 (2).mp4
  {! `3 c& V! `- P1 I: Y# \3.5 案例：评分卡 - 建模与模型验证.mp4
0 p' y: t; i/ b- ]" {1 h3.6 案例：评分卡 - 评分卡的输出和建立.mp4
  c! \* u' m  q5 {& a4 y$ T2 `3 K
) J, s1 n8 t: Q1 G06 第六章 聚类算法与量化案例
0 概述.mp4
1.1 无监督学习概述，聚类vs分类.mp4
( X  H* v- y% U/ a& A. e* F1.2 sklearn当中的聚类算法.mp4
- H" U! I+ W  s6 d' D, _3 H! y2.1 Kmeans是如何工作的？.mp4
- E7 m( G7 C' e- P1 {1 F& A  J2.2 & 2.3 簇内平方和，时间复杂度.mp4
: o. D2 F4 K3 ^) B/ o3.1.1 KMeans - 重要参数n_clusters.mp4
3.1.2 聚类算法的模型评估指标 (1).mp4
3.1.2 聚类算法的模型评估指标 (2) - 轮廓系数.mp4
3.1.2 聚类算法的模型评估指标 (3) - CHI.mp4
1 r1 ]: D) v" J3.1.3 案例：轮廓系数找最佳n_clusters (1).mp4
3.1.3 案例：轮廓系数找最佳n_clusters (2).mp4
3.1.3 案例：轮廓系数找最佳n_clusters (3).mp4
1 `9 i2 w4 \, ?. U% R6 `. P" u3.2 重要参数init & random_state & n_init：初始质心怎么决定？.mp4
6 p5 R' z) b: b7 Q6 j# d% ?3.3 重要参数max_iter & tol：如何让聚类停下来？.mp4
3.5 重要属性与接口 & 函数k_means.mp4
+ V# F/ w0 c8 Q+ b4 案例：Kmeans做矢量量化 (1)：案例背景.mp4
: `8 O; w, H# r7 o" w+ L4 案例：Kmeans做矢量量化 (2).mp4
, L2 r6 T# z8 P; d/ K! z* P3 M1 m( v6 v0 L4 案例：Kmeans做矢量量化 (3).mp4
4 案例：Kmeans做矢量量化 (4).mp4

; {: W/ ^+ v% `9 |, e07 第七章 支持向量机与医疗数据集调参
0 本周要学习什么.mp4
" ]) [! _: Y3 P. k1.1 支持向量机概述：最强大的机器学习算法.mp4
  n- Q8 N3 K  D6 h6 x  g1.2 支持向量机是如何工作的 & sklearn中的SVM.mp4
, u' E2 Q5 \! p1 K" }# v2 D# e# X2.1.1 线性SVC的损失函数 (1).mp4
2.1.1 线性SVC的损失函数 (2).mp4
$ [: e- I; e6 B1 U0 y: R5 D2.1.2 函数间隔与几何间隔.mp4
2.1.3.1 损失函数的拉格朗日乘数形态.mp4
2.1.3.2 拉格朗日对偶函数 (1).mp4
$ }& G3 f+ u/ w2.1.3.2 拉格朗日对偶函数 (2).mp4
2.1.3.3 求解拉格朗日对偶函数极其后续过程.mp4
2.1.4 SVM求解可视化 (1)：理解等高线函数contour.mp4
$ x. k. m6 R, m8 {8 E! `7 h' |2.1.4 SVM求解可视化 (2)：理解网格制作函数meshgrid与vstack.mp4
, x2 o6 _% ~. [  `" e4 F2.1.4 SVM求解可视化 (3)：建模，绘制图像并包装函数.mp4
( Q. e: @/ z( H3 F3 b. D3 h+ m2.1.4 SVM求解可视化 (4)：探索建立好的模型.mp4
. x4 R" E' B$ A6 P2.1.4 SVM求解可视化（5）：非线性数据集上的推广与3D可视化.mp4
2.1.4 SVM求解可视化（6）：Jupyter Notebook中的3D交互功能.mp4
2.2.1 & 2.2.2 非线性SVM与核函数：重要参数kernel.mp4
2.2.3 案例：如何选取最佳核函数 (1).mp4
$ C$ g% b* A" F3 G) r- p$ Y2.2.3 案例：如何选取最佳核函数 (2).mp4
2.2.4 案例：在乳腺癌数据集上探索核函数的性质.mp4
& M+ U: K, d+ c, t6 M- T2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (1）.mp4
' B+ ]8 p* @& w  W. Z. d2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (2).mp4
2.3.1 SVM在软间隔数据上的推广.mp4
2.3.2 重要参数C & 总结.mp4

08 第八章 支持向量机与Kaggle案例：澳大利亚天气数据集
0 目录：本周将学习什么内容.mp4
1.1 简单复习支持向量机的基本原理.mp4
  J* h- O8 o6 a) |1.2 参数C的深入理解：多个支持向量存在的理由.mp4
! K- u1 K9 C& G4 e1.3 二分类SVC中的样本不均衡问题.mp4
5 E' J, u! @( [, o0 e2 k& n0 b1.3 如何使用参数class_weight (1).mp4
6 x# A, j- V) }4 R/ q( @1.3 如何使用参数class_weight (2).mp4
" G2 h' h( ?* k7 P' a8 u/ G  v6 R2 SVC的模型评估指标.mp4
+ T( l' o2 D: v5 Y& {2.1 混淆矩阵与准确率.mp4
2.1 样本不平衡的艺术(1)：精确度Precision.mp4
0 i( m4 C: y0 O2 U# N7 m9 d2.1 样本不平衡的艺术(2)：召回率Recall与F1 measure.mp4
2.1.3 对多数类样本的关怀：特异度Specificity和假正率.mp4
6 R/ O" ?$ ?) D7 P% e/ E2.1.4 sklearn中的混淆矩阵.mp4
2.2 ROC曲线：Recall与假正率FPR的平衡.mp4
2.2.1 概率与阈值.mp4
+ Q- _" C2 G0 I: W2.2.2 SVM做概率预测.mp4
2.2.3 绘制ROC曲线 (1).mp4
2.2.3 绘制ROC曲线 (2).mp4
) r/ Y7 a5 Z; n/ |0 j! Z2.2.3 绘制ROC曲线 (3).mp4
! o7 E8 Q2 {. O% n4 E' E- G% d3 p2.2.4 sklearn中的ROC曲线和AUC面积.mp4
9 }- L7 M$ `+ P+ f2.2.5 利用ROC曲线求解最佳阈值.mp4
. g* ^- @6 {2 U' j+ c# d7 [5 B3 选学说明：使用SVC时的其他考虑.mp4
4 案例：预测明天是否会下雨 - 案例背景.mp4
4.1 案例：导库导数据，探索特征.mp4
4.2 案例：分集，优先处理标签.mp4
4.3.1 案例：描述性统计，处理异常值.mp4
9 ^% D. J8 E8 M, s4.3.2 案例：现实数据上的数据预处理 - 处理时间.mp4
! I0 c5 E% `( Q/ @" K% \4.3.3 案例：现实数据上的数据预处理 - 处理地点 (1).mp4
4.3.3 案例：现实数据上的数据预处理 - 处理地点 (2).mp4
4.3.3 案例：现实数据上的数据预处理 - 处理地点 (3).mp4
4.3.3 案例：现实数据上的数据预处理 - 处理地点 (4).mp4
4.3.4 案例：现实数据上的数据预处理 - 填补分类型变量的缺失值.mp4
4.3.5 案例：现实数据上的数据预处理 - 编码分类型变量.mp4
4.3.6 & 4.3.7 案例：现实数据集上的数据预处理：连续型变量.mp4
4.4 案例：建模与模型评估 (1).mp4
  M& _0 h9 t. N& n9 ]8 r4.4 案例：建模与模型评估 (2).mp4
4.5.1 案例：模型调参：追求最高的recall.mp4
4.5.2 案例：模型调参：追求最高的精确度 (1).mp4
% j) Q6 O8 J7 n! q5 A4 S2 f+ d0 i4.5.2 案例：模型调参：追求最高的精确度 (2).mp4
! d! J& ]% t& o+ U$ d3 [4.5.3 案例：模型调参：追求精确度与recall的平衡.mp4
4.6 SVM总结与结语.mp4
0 J/ [, f2 Y) n5 o7 U/ b
09 第九章 回归大家族：线性，岭回归，Lasso，多项式
# L% P% |/ |4 s* Z0 本周要学习什么.mp4.mp4
' Z- O0 W& Z; l7 B" s1 J5 V1 概述，sklearn中的线性回归大家族.mp4
3 P# g" p6 O# ]2 C# _3 [2.1 多元线性回归的基本原理和损失函数.mp4
2.2 用最小二乘法求解多元线性回归的过程.mp4
2.3 多元线性回归的参数，属性及建模代码.mp4
. C* M* Q7 ~, A8 A$ B  |# z3.1 回归类模型的评估指标：是否预测准确？.mp4
- l; `6 f8 W% X5 [! m* n3.2 回归类模型的评估指标：是否拟合了足够的信息？.mp4
4.1 多重共线性：含义，数学，以及解决方案.mp4
4 S1 u( [/ E$ q4.2.1 岭回归处理多重共线性.mp4
& O2 z0 J% L$ b+ ^$ U4.2.2 sklearn中的岭回归：linear_model.Ridge.mp4
4.2.3 为岭回归选择最佳正则化参数.mp4
8 c1 l1 c% W' L5 d* F& R8 e7 i  w4.3.1 Lasso处理多重共线性.mp4
3 D/ L% |) |2 K$ K# H1 s4.3.2 Lasso的核心作用：特征选择.mp4
3 P( r* b5 X- M* z4.3.3 Lasso选择最佳正则化参数.mp4
5.1.1 & 5.1.2 线性数据与非线性数据.mp4
0 N& {6 s; ^! G; G+ H9 ?! P5.1.3 线性vs非线性模型 (1)：线性模型在非线性数据集上的表现.mp4
5.1.3 线性vs非线性模型 (2)：拟合，效果与特点.mp4
0 {0 g  B' `9 \' u' J; P) b5.2 离散化：帮助线性回归解决非线性问题.mp4
5.3.1 多项式对数据做了什么？.mp4
5.3.2 多项式回归提升模型表现.mp4
! K  I' X3 m* u4 h7 h5.3.3 多项式回归的可解释性.mp4
5 H/ e; F) `4 ]: J; G7 F9 V* @5.3.4 多项式回归：线性还是非线性模型？ + 本周结语.mp4

, L$ W- y1 ?9 z( c& `% m" b: E: `10 第十章 朴素贝叶斯
1 d. l# @( I; D0 m9 Z0 c/ j, L0 本周要讲解的内容.mp4
1.1 为什么需要朴素贝叶斯.mp4
8 D3 `5 s8 J. x% h  M2 R6 u+ W( D1.2 概率论基础 - 贝叶斯理论等式.mp4
+ B' v- l  ]% s2 |5 m; Z2 d1 u1.2.1 瓢虫冬眠：理解条件概率 (1).mp4
1.2.1 瓢虫冬眠：理解条件概率 (2).mp4
1.2.1 瓢虫冬眠：理解条件概率 (3).mp4
1.2.2 贝叶斯的性质与最大后验估计.mp4
1.2.3 汉堡称重：连续型变量的概率估计 (1).mp4
8 |0 Q* K7 Q/ a3 g! z" F1.2.3 汉堡称重：连续型变量的概率估计 (2).mp4
0 j" c, Y& d$ {$ |) ?# X1.3 sklearn中的朴素贝叶斯.mp4
2.1.1 认识高斯朴素贝叶斯.mp4
2.1.2 高斯朴素贝叶斯擅长的数据集.mp4
2.1.3 探索贝叶斯 - 拟合中的特性与运行速度 (1).mp4
; s1 w# x8 s) L7 H9 {2.1.3 探索贝叶斯 - 拟合中的特性与运行速度 (2) - 代码讲解 (1).mp4
2.1.3 探索贝叶斯 - 拟合中的特性与运行速度 (3) - 代码讲解 (2).mp4
2.1.3 探索贝叶斯 - 拟合中的特性与运行速度 (4) - 分析与结论.mp4
2.2.1 概率类模型的评估指标 (1) - 布里尔分数.mp4
  p$ N. N# N6 r9 ^9 }$ u2.2.1 概率类模型的评估指标 (2) - 布里尔分数可视化.mp4
1 K/ w+ d' g5 Z' C) x+ g  i2.2.2 概率类模型的评估指标 (3) - 对数损失Logloss.mp4
3 m0 u" M0 C4 h2.2.3 概率类模型的评估指标 (4) - 可靠性曲线 (1).mp4
2.2.3 概率类模型的评估指标 (5) - 可靠性曲线 (2).mp4
2.2.4 概率类模型的评估指标 (6) - 概率分布直方图.mp4
! \/ A( ~; n0 Q8 L5 F" i+ z  N6 @2.2.5 概率类模型的评估指标 (7) - 概率校准 (1).mp4
/ F3 v! j* W) x6 N+ }' U2.2.5 概率类模型的评估指标 (8) - 概率校准 (2).mp4
/ j! ?2 b0 @) L  X  u2.3.1 多项式朴素贝叶斯 (1) - 认识多项式朴素贝叶斯.mp4
7 \2 Q8 ^! J( [* N$ S2.3.1 多项式朴素贝叶斯 (2) - 数学原理.mp4
: H- ~+ J" s$ c" [% o' f4 U+ J9 M$ V2.3.1 多项式朴素贝叶斯 (3) - sklearn中的类与参数.mp4
2.3.1 多项式朴素贝叶斯 (4) - 来构造一个分类器吧.mp4
- ~8 R6 u% }- `/ J0 _' H- ?2.3.2 伯努利朴素贝叶斯 (1) - 认识伯努利朴素贝叶斯.mp4
- h# e% M  A* F3 u+ j6 ]2.3.2 伯努利朴素贝叶斯 (2) - sklearn中的类与参数.mp4
2.3.2 伯努利朴素贝叶斯 (3) - 构造一个分类器.mp4
2.3.3 探索贝叶斯 - 朴素贝叶斯的样本不均衡问题.mp4
2.3.4 补集朴素贝叶斯 - 补集朴素贝叶斯的原理 (1).mp4
! B5 A* Q  N; P; D. [/ z2.3.4 补集朴素贝叶斯 - 补集朴素贝叶斯的原理 (2).mp4
( b$ t# X$ @7 r" t- a6 T  i2.3.4 补集朴素贝叶斯 - 处理样本不均衡问题.mp4
1 F& f' F3 V  J' B( q. R0 v! V* u3.1.1 案例：贝叶斯做文本分类 (1) - 单词计数向量技术.mp4
6 J" p# l  y( P% ?9 B' O4 z3.1.1 案例：贝叶斯做文本分类 (2) - 单词计数向量的问题.mp4
" l; Q* G. y& z) ^3.1.2 案例：贝叶斯做文本分类 (3) - TF-IDF技术.mp4
$ \$ I  V8 ~4 N/ U3 `7 o6 Y* `' V, x3.2 案例：贝叶斯做文本分类 (4) - 探索和提取文本数据.mp4
" ?* Y4 k& _/ [, ?0 \3.3 案例：贝叶斯做文本分类 (5) - 使用TF-IDF编码文本数据.mp4
  L2 a4 v. y8 Z1 A3.4 案例：贝叶斯做文本分类 (6) - 算法应用与概率校准.mp4

" w- J0 [  N" y0 I7 Z7 n+ Y
11 第十一章 XGBoost
0 本周要学习什么.mp4
( S2 T/ x7 F1 m. ^4 Q7 E1 XGBoost前瞻：安装xgboost，xgboost库与skleanAPI.mp4
2.1 梯度提升树(1)：集成算法回顾，重要参数n_estimators.mp4
$ u! Y/ V' p/ M1 H& m2.1 梯度提升树(2)：参数n_estimators下的建模.mp4
$ Z6 h1 O9 s2 O: U  @; M, O+ }2.1 梯度提升树(3)：参数n_estimators的学习曲线.mp4
# R' e# P* r$ j; \( R  R4 i2.1 梯度提升树(4)：基于方差-偏差困境改进的学习曲线.mp4
2.2 梯度提升树(5)：控制有放回随机抽样，参数subsample.mp4
' m5 Q7 V- n! O& J& O1 G0 g2.3 梯度提升树(6)：迭代决策树：重要参数eta.mp4
/ d6 ]( U* G% h8 `% b" T  j4 C2.3 梯度提升树(7)：迭代决策树：重要参数eta.mp4
3.1 XGBoost的智慧 (1)：选择弱评估器：重要参数booster.mp4
" R2 u+ p: F6 j. u/ C' `7 L0 h% y3.2 XGBoost的智慧 (2)：XGBoost的目标函数，使用xgboost库建模.mp4
3.3 XGBoost的智慧 (3)：求解XGBoost的目标函数 - 推导过程.mp4
/ Y( |) x: F5 [( J  U. O3.3 XGBoost的智慧 (4)：XGboost的目标函数 - 泰勒展开相关问题.mp4
9 |9 ?6 d+ n* B) ?+ s( n3.4 XGBoost的智慧 (5)：参数化决策树，正则化参数lambda与alpha.mp4
3.5 XGBoost的智慧 (6)：建立目标函数与树结构的直接联系.mp4
/ d+ I- \- L" c1 a% R3.5 XGBoost的智慧 (7)：最优树结构，求解w和T.mp4
3.6 XGBoost的智慧 (8)：贪婪算法求解最优树.mp4
3.7 XGBoost的智慧 (9)：让树停止生长：参数gamma与工具xgb.cv.mp4
! E( ~  w" r# Z* B4 g4.1 XGBoost应用 (1)：减轻过拟合：XGBoost中的剪枝参数.mp4
: r1 Z+ n* X+ i6 T7 F$ `& U* m4.1 XGBoost应用 (2)：使用xgb.cv进行剪枝参数的调参.mp4
4 x& P5 m* E/ ^3 |6 ^" ]' ]4.2 XGBoost应用 (3)：使用pickle保存和调用训练好的XGB模型.mp4
4.2 XGBoost应用 (4)：使用joblib保存和调用训练好的XGB模型.mp4
. s8 s. d: H) e1 S& y* C4.3 XGBoost应用 (5)：XGB分类中的样本不平衡问题 - sklearnAPI.mp4
4.3 XGBoost应用 (6)：XGB分类中的样本不平衡问题 - xgboost库.mp4
4.4 XGBoost应用 (7)：XGB应用中的其他问题.mp4

游客，如果您要查看本帖隐藏内容请回复

5 p& T5 C) b% R- U
" A5 O3 Z( Z* a2 E  @

杨文帅

太棒了   谢谢分享    太棒了   谢谢分享