AI_05_刘又源_房价预测项目总结报告1
需积分: 0 59 浏览量
2022-08-04
14:17:46
上传
评论
收藏 79KB PDF 举报
房价预测项总结报告
1 引
1.1 背景
1.2 的
2 论基础
2.1 数学基础
2.2 模型简介
2.2.1 线性回归类模型
2.2.2 树回归-CART
2.2.3 SVM类型
2.2.4 神经络
2.2.5 集成学习
3 项流程与进展
3.1 项流程
3.1.1 算法的pipeline
数据采集->数据清洗->数据仓库->数据挖掘->数据标注->数据集市(训练集/评测集)->训练->评测->模型程(Int8定点化)->模型的集成和应
3.1.2 算法的baseline
训练集的制作->训练->评测
在形成个BaseLine之后，模型迭代的过程进步的标志是评测指标的提升。
3.1.3 实际流程
3.2 项进展
4 经验和
4.1 经验
4.2
5 成果与展望
5.1 成果
5.2 展望
6 建议
参考献
学习常机学习算法原、模型
线性回归
机学习的般流程（pipeline）
包括数据的预处，填充，探索性数据集分析，特征程，归化，同的模型训练，调参，找到最优参数，模型融合。
梯度下降
顿法
1 朴素线性回归
2 基于L1的线性回归
3 基于L2的线性回归
4 ElasticNet(弹性络L1与L2)
1 CART
2 RF
3 AdaBoost
4 GBDT--XGBoost--lightGBM
1 SVR
1 FC神经络
1 Stacking Ensemble
初步认识数据，解数据，解业务
数据的相关性分析，空值填充
数据集的准备、划分
各种模型训练，包括Lasso,RidgR,ElasticNet,Xgboost,FC。各种模型调参。
选择表现好的模型进stacking。
stacking之后就是断的重复上的过程，其中特征程花时间，需要尝试同特征之间的组合，相加、相乘等。
经过的尝试，重复上步骤，最后得到评测指标较优的模型。
基本按照3.1.3中进。作如下些尝试：
去掉些相关性低的特征
尝试组合些特征
进过pca降维度
robosaler
y值以万为单位，以及log后的w。y归化后训练，反归化测评。
grid与rand search
在相关性分析中，发现疑似噪声点，删除后模型在测试集上表现稍好。
全连接神经络训练，发现效果并是很好。
师课上的代码下来基本敲过，包括先线性模型和树模型。
解机学习项的流程。
掌握常的回归模型的原，解些调参技巧。
特征程很重要，有时候做些组合特征之后分数有所提。
初步掌握numpy,pandas以及些机学习库的使。
有时候很盲，知道怎么去做特征程才能提分数
对些知识点掌握得好，很多知识点能够听懂，概也知道怎么回事，但是要我讲出来，还。
时间上投还够。
代码能，师的代码很漂亮，我要是没有参考，copy肯定写出来。
还有些遗的，暂时没想起来。
我认为乎每个知识点都能写篇blog或总结，但是投真的够，效率也够。过后续会逐渐把各个知识点都写上，抠脚的博客和GitHub
请师批评指正。
blog:
https://www.cnblogs.com/zingp/p/10375691.html
https://www.cnblogs.com/zingp/p/10278223.html
https://www.cnblogs.com/zingp/p/10511176.html
github:
https://github.com/zingp/kaggle/tree/master/LosAngelesHousePricesForecast
未来希望能完成各个知识点的总结，包括算法的公式推导。
希望在特征程上多做尝试。
师讲课很有激情，很nice。技术和讲解都6得起！很喜欢师。
如果可以，带我们完整刷个kaggle项，感受下特征程中的痛苦和点点提分那种快感。少刷到top5%，这样我觉得解会深些，也
试。
希望公司给师配个写板，提师书写公式的效率，相信同学们上课体验会好很多。
最后，希望师画画重点，出点试题给我们练练。
师讲课的PPT、《统计学习法》、《机学习与应》、《百机学习》、《DeepLearning》、还有些博客，知乎等就出。
评论0