心跳信号预测--task4

这篇博客探讨了多种机器学习模型,如逻辑回归、决策树、GBDT、XGBoost、LightGBM和Catboost,以及时间序列模型的建模与调参技巧。作者指出,对于大数据项目,网格搜索调参可能效率低下,建议使用集成模型内置的cv函数快速调整迭代次数。同时提醒注意不同库之间的参数差异,如xgb和lgb的API。

建模与调参:

1相关模型:

逻辑回归模型
决策树模型
GBDT模型
XGBoost模型
LightGBM模型
Catboost模型
时间序列模型

2模型调参:

贪心调参
网格搜索
贝叶斯调参

模型调参小总结

集成模型内置的cv函数可以较快的进行单一参数的调节,一般可以用来优先确定树模型的迭代次数

数据量较大的时候(例如本次项目的数据),网格搜索调参会特别特别慢,不建议尝试

集成模型中原生库和sklearn下的库部分参数不一致,需要注意,具体可以参考xgb和lgb的官方API

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值