梯度增强模型基准：主要梯度增强模型的基准

共14个文件

py：9个

ipynb：1个

md：1个

JupyterNotebook

需积分: 6 136 浏览量 2021-02-25 03:57:09 上传评论收藏 710KB ZIP 举报

资源推荐

资源详情

资源评论

benchm-ml：用于二进制分类的顶级机器学习算法（随机森林，Rus，Python scikit-learn，H2O，xgboost，Spark MLlib等）的可扩展性，速度和准确性的最低基准。梯度增强树，深度神经网络等）

用于分类的机器学习库的可伸缩性，速度和准确性的简单/有限/不完整基准所有基准都是错误的，但有些是有用的该项目旨在为一些机器学习算法的常用实现的可伸缩性，速度和准确性提供一个最低基准。这项研究的目标是使用数字和分类输入（具有有限的基数，即不是很稀疏）并且没有丢失的数据进行二进制分类，这可能是业务应用程序中最常见的问题（例如，信用评分，欺诈检测或客户流失预测）。如果输入矩阵的大小为n x p

google_trends_consumption_prediction：本文研究了Google趋势指标与美国实际私人消费支出之间的预测关系。该指标是通过将内核主成分分析应用于与消费相关的Google趋势搜索类别而构建的。该指标的预测性能是根据两个基于调查的常规指标进行评估的：会议委员会消费者信心指数和密歇根大学消费者信心指数。研究结果表明，在样本内和样本外临近预报中，Google指标的效果均优于基于调查的预测指标。结果还表明，调查增强模型的预测性能与包括宏观经济变量作为控制变量的基准自回归模型的

利用Google趋势的见解即时播报美国的私人消费这项工作调查了Google趋势指标与美国实际私人消费支出之间的预测关系。该指标是通过将内核主成分分析应用于与消费相关的Google趋势搜索类别而构建的。该指标的预测性能是根据两个基于调查的常规指标进行评估的：会议委员会消费者信心指数和密歇根大学消费者信心指数。研究结果表明，在样本内和样本外临近预报中，Google指标的效果均优于基于调查的预测

mlflow-example：此存储库提供了一个示例示例，该示例使用MLflow跟踪，项目和模型模块在容器化环境中进行数据集预处理，GBRT（梯度增强回归树）模型训练和评估，模型调整以及最终模型服务（REST API）

MLflow示例项目+笔记本该存储库提供了使用MLflow跟踪，项目和模型模块在容器化环境中进行数据集预处理，模型训练和评估，模型调整以及最终模型服务（REST API）的示例。该项目包含一个MLflow项目，该项目在UC Irvine的上训练GBRT（梯度增强的回归树）模型，并使用Docker映像捕获运行训练和推理代码所需的依赖项。对话：：演讲幻灯片：笔记本：该项目的结

AdaboostOnMNIST：这是Adaboost算法的实现，它使用两个不同的弱学习器从头开始实施：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。经过scikit Learn模型的adaboost测试，并获得了更高的分数。最小的训练误差为％1.8，在7次迭代中进行了梯度增强

AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。经过scikit Learn模型的adaboost测试，并获得了更高的分数。最小的训练误差为％1.8，在7次迭代中进行了梯度增强。函数调用为adaboost（X_train，Y_train，inversion

Scikit-Learn-Model-Deployments-for-SVR-RF-Boosting-Regression-Algorithms:部署用于SVR，随机森林和梯度增强的加密Scikit-Learn模型

用于SVR，RF，Boosting回归算法的Scikit-Learn模型部署 Scikit-Learn模型可以有效地以加密格式存储，以用于部署目的。这样可以消除对不受保护的pickle或joblib文件的依赖。当前的模拟在保存包含模型参数的JSON文件时使用AES（高级加密标准）算法n（加密程序包）。 AES使用对称密钥加密，其中涉及仅使用一个秘密密钥对信息进行加密和解密。 crypto_j

收起资源包目录

gradient-boosting-models-benchmark-master.zip （14个子文件）

gradient-boosting-models-benchmark-master

poetry.lock 118KB

Comparison.ipynb 3.73MB

README.md 405B

tests

test_tuned_model_comparison.py 2KB

__init__.py 0B

test_model_comparison.py 5KB

.gitignore 48B

pyproject.toml 556B

comparison

tuning_parameters.py 3KB

model_comparison.py 7KB

main.py 2KB

__init__.py 0B

comparison_datasets.py 4KB

tuned_model_comparison.py 2KB

评论收藏

内容反馈

泰国旅行

粉丝: 31
资源: 4773

梯度增强模型基准：主要梯度增强模型的基准

benchm-ml：用于二进制分类的顶级机器学习算法（随机森林，Rus，Python scikit-learn，H2O，xgboost，Spark MLlib等）的可扩展性，速度和准确性的最低基准。梯度增强树，深度神经网络等）

mlflow-example：此存储库提供了一个示例示例，该示例使用MLflow跟踪，项目和模型模块在容器化环境中进行数据集预处理，GBRT（梯度增强回归树）模型训练和评估，模型调整以及最终模型服务（REST API）

Scikit-Learn-Model-Deployments-for-SVR-RF-Boosting-Regression-Algorithms:部署用于SVR，随机森林和梯度增强的加密Scikit-Learn模型

论文研究-基于量化特征的价格操纵行为监测模型研究.pdf

hpcg, 官方HPCG基准源代码.zip

matlab口罩识别代码-MEGRE-Net:用于在多回波梯度回波(MEGRE)MRI图像中自动识别金基准标记的深度神经网络

dabl:数据分析基准库

leaves:来自流行框架的GBRT（梯度增强回归树）模型的预测部分的纯Go实现

电信设备-基于梯度置信变分模型的红外图像融合增强方法.zip

DRL-2018:结合策略梯度方法（香草PG，Actor-Critic，PPO）和进化策略的实验

powersgd:实用的低秩梯度压缩，用于分布式优化

Python实现多元线性回归方程梯度下降法与求函数极值

NSGANetV2: Evolutionary Multi-Objective Surrogate-Assisted

robustbench.github.io:RobustBench排行榜的网站

gpt-3：GPT-3：语言模型鲜为人知

SOEN6111-Project

gbm-bench:衡量流行的ML数据集流行的梯度提升算法性能的基准

关帝山植物群落与环境梯度分析 (1995年)

pymatting:一个用于Alpha遮罩的Python库

多峰语音情感识别：用于语音情感识别和歧义解决的轻量级和可解释的ML模型（在IEMOCAP数据集上进行训练）

全变差去噪matlab代码-Awesome-Low-Light-Image-Enhancement:弱光图像增强的集合，包括纸张，数据集和索引

颜色分类leetcode-DeepExplain:用于深度神经网络可解释性的扰动和基于梯度的归因方法的统一框架。DeepExplain还包括对

lightgbm_benchmark：对LightGBM进行基准测试，以比较硬件，编译器设置和软件版本中的更改

Origin绘制相关性热图插件(Correlation Plot)

（免费）Chrome浏览器插件axure-chrome-extension

vep视频快速加密提取器

2011-2022年北大数字普惠金融指数数据（包括省市县）.zip

最新资源