🏆🏆🏆教程全知识点简介：1.定位、目标。2. K-近邻算法涵盖距离度量、k值选择、kd树、鸢尾花种类预测数据集介绍、练一练、交叉验证网格搜索、facebook签到位置预测案例。3. 线性回归包括线性回归简介、线性回归损失和优化、梯度下降法介绍、波士顿房价预测案例、欠拟合和过拟合、正则化线性模型、正规方程推导方式、梯度下降法算法比较优化、维灾难。4. 逻辑回归涵盖逻辑回归介绍、癌症分类预测案例（良恶性乳腺癌肿瘤预测、获取数据）、ROC曲线绘制。5. 朴素贝叶斯算法包括朴素贝叶斯算法简介、概率基础复习、产品评论情感分析案例（取出内容列数据分析、判定评判标准好评差评）。6. 支持向量机涵盖SVM算法原理、SVM损失函数、数字识别器案例。7. 决策树算法包括决策树分类原理、cart剪枝、特征工程特征提取、决策树算法api、泰坦尼克号乘客生存预测案例。8. EM算法涵盖初识EM算法、EM算法介绍。9. HMM模型包括马尔科夫链、HMM简介、前向后向算法评估观察序列概率、维特比算法解码隐藏状态序列、HMM模型API介绍。10. 集成学习进阶涵盖Bagging、xgboost算法原理、otto案例（Otto Group Product Classification Challenge xgboost实现）、数据变化可视化、lightGBM、stacking算法基本思想、住房月租金预测。11. 聚类算法包括聚类算法api初步使用、聚类算法实现流程、模型评估、算法优化、特征降维、用户对物品类别喜好细分案例、算法选择指导。12. 数学基础涵盖向量与矩阵范数、朗格朗日乘子法、Huber Loss、极大似然函数取对数原因。

📚📚仓库code.zip 👉直接-->：   https://gitee.com/yinuo112/AI/blob/master/机器学习/嘿马机器学习（算法篇）/note.md    🍅🍅

✨ 本教程项目亮点

🧠 知识体系完整：覆盖从基础原理、核心方法到高阶应用的全流程内容
💻 全技术链覆盖：完整前后端技术栈，涵盖开发必备技能
🚀 从零到实战：适合 0 基础入门到提升，循序渐进掌握核心能力
📚 丰富文档与代码示例：涵盖多种场景，可运行、可复用
🛠 工作与学习双参考：不仅适合系统化学习，更可作为日常开发中的查阅手册
🧩 模块化知识结构：按知识点分章节，便于快速定位和复习
📈 长期可用的技术积累：不止一次学习，而是能伴随工作与项目长期参考

🎯🎯🎯全教程总章节

🚀🚀🚀本篇主要内容

集成学习进阶

学习目标

• 知道xgboost算法原理
• 知道otto案例通过xgboost实现流程
• 知道lightGBM算法原理
• 知道PUBG案例通过lightGBM实现流程
• 知道stacking算法原理
• 知道住房月租金预测通过stacking实现流程

5.4 otto案例介绍 -- Otto Group Product Classification Challenge【xgboost实现】

1 背景介绍

奥托集团是世界上最大的电子商务公司之一，在20多个国家设有子公司。该公司每天都在世界各地销售数百万种产品,所以对其产品根据性能合理的分类非常重要。

不过,在实际工作中,工作人员发现,许多相同的产品得到了不同的分类。本案例要求,你对奥拓集团的产品进行正确的分分类。尽可能的提供分类的准确性。

链接：[

![2nd iteration]

2 思路分析

• 1.数据获取

• 2.数据基本处理

• 2.1 截取部分数据

• 2.2 把标签纸转换为数字
• 2.3 分割数据(使用StratifiedShuffleSplit)
• 2.4 数据标准化

• 2.5 数据pca降维

• 3.模型训练

• 3.1 基本模型训练

• 3.2 模型调优

  • 3.2.1 调优参数:

    • n_estimator,
    • max_depth,
    • min_child_weights,
    • subsamples,
    • consample_bytrees,
    • etas

  • 3.2.2 确定最后最优参数

3 部分代码实现

• 2.数据基本处理

• 2.1 截取部分数据

• 2.2 把标签纸转换为数字

• 2.3 分割数据(使用StratifiedShuffleSplit)

# 使用StratifiedShuffleSplit对数据集进行分割


   from sklearn.model_selection import StratifiedShuffleSplit

   sss = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=0)
   for train_index, test_index in sss.split(X_resampled.values, y_resampled):
       print(len(train_index))
       print(len(test_index))

       x_train = X_resampled.values[train_index]
       x_val = X_resampled.values[test_index]

       y_train = y_resampled[train_index]
       y_val = y_resampled[test_index]

# 分割数据图形可视化


   import seaborn as sns

   sns.countplot(y_val)

   plt.show()

• 2.4 数据标准化

from sklearn.preprocessing import StandardScaler

   scaler = StandardScaler()
   scaler.fit(x_train)

   x_train_scaled = scaler.transform(x_train)
   x_val_scaled = scaler.transform(x_val)

• 2.5 数据pca降维

print(x_train_scaled.shape)
   # (13888, 93)

   from sklearn.decomposition import PCA

   pca = PCA(n_components=0.9)
   x_train_pca = pca.fit_transform(x_train_scaled)
   x_val_pca = pca.transform(x_val_scaled)

   print(x_train_pca.shape, x_val_pca.shape)
   (13888, 65) (3473, 65)

从上面输出的数据可以看出,只选择65个元素,就可以表达出特征中90%的信息

# 降维数据可视化


   plt.plot(np.cumsum(pca.explained_variance_ratio_))

   plt.xlabel("元素数量")
   plt.ylabel("可表达信息的百分占比")

   plt.show()

![image-20200211092529327]

• 3.模型训练

• 3.1 基本模型训练

from xgboost import XGBClassifier

   xgb = XGBClassifier()
   xgb.fit(x_train_pca, y_train)

   # 改变预测值的输出模式,让输出结果为百分占比,降低logloss值
   y_pre_proba = xgb.predict_proba(x_val_pca)

# logloss进行模型评估


   from sklearn.metrics import log_loss
   log_loss(y_val, y_pre_proba, eps=1e-15, normalize=True)

   xgb.get_params

• 3.2 模型调优

• 3.2.1 调优参数:

  • n_estimator,

scores_ne = []
      n_estimators = [100,200,400,450,500,550,600,700]

      for nes in n_estimators:
          print("n_estimators:", nes)
          xgb = XGBClassifier(max_depth=3, 
                              learning_rate=0.1, 
                              n_estimators=nes, 
                              objective="multi:softprob", 
                              n_jobs=-1, 
                              nthread=4, 
                              min_child_weight=1, 
                              subsample=1, 
                              colsample_bytree=1,
                              seed=42)

          xgb.fit(x_train_pca, y_train)
          y_pre = xgb.predict_proba(x_val_pca)
          score = log_loss(y_val, y_pre)
          scores_ne.append(score)
          print("测试数据的logloss值为:{}".format(score))

# 数据变化可视化


      plt.plot(n_estimators, scores_ne, "o-")

      plt.ylabel("log_loss")
      plt.xlabel("n_estimators")
      print("n_estimators的最优值为:{}".format(n_estimators[np.argmin(scores_ne)]))

  ![image-20200211092901936]

  * **max_depth,**

scores_md = []
      max_depths = [1,3,5,6,7]

      for md in max_depths:  # 修改
          xgb = XGBClassifier(max_depth=md, # 修改
                              learning_rate=0.1, 
                              n_estimators=n_estimators[np.argmin(scores_ne)],   # 修改 
                              objective="multi:softprob", 
                              n_jobs=-1, 
                              nthread=4, 
                              min_child_weight=1, 
                              subsample=1, 
                              colsample_bytree=1,
                              seed=42)

          xgb.fit(x_train_pca, y_train)
          y_pre = xgb.predict_proba(x_val_pca)
          score = log_loss(y_val, y_pre)
          scores_md.append(score)  # 修改
          print("测试数据的logloss值为:{}".format(log_loss(y_val, y_pre)))

# 数据变化可视化


      plt.plot(max_depths, scores_md, "o-")  # 修改

      plt.ylabel("log_loss")
      plt.xlabel("max_depths")  # 修改
      print("max_depths的最优值为:{}".format(max_depths[np.argmin(scores_md)]))  # 修改

  * **min_child_weights,**

     * 依据上面模式进行调整

  * **subsamples,**

  * **consample_bytrees,**

  * **etas**

• 3.2.2 确定最后最优参数

xgb = XGBClassifier(learning_rate =0.1, 
                       n_estimators=550, 
                       max_depth=3, 
                       min_child_weight=3, 
                       subsample=0.7, 
                       colsample_bytree=0.7, 
                       nthread=4, 
                       seed=42, 
                       objective='multi:softprob')
   xgb.fit(x_train_scaled, y_train)

   y_pre = xgb.predict_proba(x_val_scaled)

   print("测试数据的logloss值为 : {}".format(log_loss(y_val, y_pre, eps=1e-15, normalize=True)))

集成学习进阶

学习目标

• 知道xgboost算法原理
• 知道otto案例通过xgboost实现流程
• 知道lightGBM算法原理
• 知道PUBG案例通过lightGBM实现流程
• 知道stacking算法原理
• 知道住房月租金预测通过stacking实现流程

5.5 lightGBM

学习目标

• 了解lightGBM演进过程
• 知道什么是lightGBM
• 知道lightGBM原理

1 写在介绍lightGBM之前

1.1 lightGBM演进过程

![image-20191202130509524]

1.2 AdaBoost算法

AdaBoost是一种提升树的方法，和三个臭皮匠，赛过诸葛亮的道理一样。

AdaBoost两个问题：

• (1) 如何改变训练数据的权重或概率分布

• 提高前一轮被弱分类器错误分类的样本的权重，降低前一轮被分对的权重

• (2) 如何将弱分类器组合成一个强分类器，亦即，每个分类器，前面的权重如何设置

• 采取”多数表决”的方法.加大分类错误率小的弱分类器的权重，使其作用较大，而减小分类错误率大的弱分类器的权重，使其在表决中起较小的作用。

1.3 GBDT算法以及优缺点

GBDT和AdaBosst很类似，但是又有所不同。

• GBDT和其它Boosting算法一样，通过将表现一般的几个模型（通常是深度固定的决策树）组合在一起来集成一个表现较好的模型。

• AdaBoost是通过提升错分数据点的权重来定位模型的不足， Gradient Boosting通过负梯度来识别问题，通过计算负梯度来改进模型，即通过反复地选择一个指向负梯度方向的函数，该算法可被看做在函数空间里对目标函数进行优化。

因此可以说 。

• GradientBoosting=GradientDescent+BoostingGradientBoosting=GradientDescent+BoostingGradientBoosting=GradientDescent+Boosting