VIP20
本课程属于：042-单细胞转录组特征学习任务 生物信息学与 AI 制药工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

随机森林SVM XGBoost模型选择指南

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
模型选择概述
为什么需要模型选择？回归 · 分类 · 排序等场景下的考量
模型选择概述为什么需要模型选…
02
随机森林原理
Bagging · 决策树 · 集成学习基础概念
随机森林原理Bagging
03
随机森林关键参数
n_estimators · max_depth · min_samples_split
随机森林关键参数estimators
04
随机森林的优缺点
抗过拟合能力 · 特征重要性 · 可解释性
随机森林的优缺点抗过拟合能力
05
随机森林实战案例
使用sklearn对手写数字（MNI…
随机森林实战案例sklearn
06
SVM原理
最大间隔分类器 · 核函数技巧 · 支持向量的作用
SVM原理
07
SVM关键参数
惩罚系数C · 核函数类型（linear/rbf/p… · gamma
SVM关键参数
08
SVM的优缺点
小样本高维优势 · 非线性处理 · 可解释性差
SVM的优缺点
09
SVM实战案例
使用sklearn对20类新闻组文本…
SVM实战案例
10
XGBoost原理
梯度提升框架 · 二阶泰勒展开 · 正则化项
XGBoost原理
11
XGBoost关键参数
learning_rate · max_depth · subsample
XGBoost关键参数
12
XGBoost的优缺点
精度高 · 训练快 · 内置缺失值处理
XGBoost的优缺点
13
XGBoost实战案例
Kaggle房价预测（House P…
XGBoost实战案例
14
随机森林 vs SVM
数据规模适应性 · 特征类型偏好 · 模型复杂度对比
vsSVM
15
随机森林 vs XGBoost
偏差-方差权衡 · 训练速度 · 泛化能力
vsXGBoost
16
SVM vs XGBoost
线性与非线性场景 · 鲁棒性 · 类别不平衡处理
SVMvs
17
模型选择前的数据预处理
缺失值填充 · 标准化/归一化 · 类别变量编码
模型选择前的数据…缺失值填充
18
特征工程对模型选择的影响
离散化 · 交互特征 · PCA降维
特征工程对模型选…离散化
19
模型评估指标
准确率 · 精确率 · 召回率
模型评估指标准确率
20
交叉验证与网格搜索
使用GridSearchCV/Ran…
交叉验证网格搜索
21
随机森林调参实战
参数范围设定 · 网格搜索案例 · 特征重要性分析
随机森林调参实战参数范围设定
22
SVM调参实战
核函数对比 · C与gamma的协同搜索 · 学习曲线诊断
SVM调参实战
23
XGBoost调参实战
早停法 · 学习率衰减 · 正则化参数调节
XGBoost调参实战
24
集成模型选择
使用Stacking · Voting将RF · SVM
集成模型选择Stacking
25
大规模数据下的模型选择
随机森林 vs XGBoost vs…
大规模数据下的模…vs
26
类别不平衡问题
SVM class_weight · 随机森林bootstrap加权 · XGBoost scale_pos_…
类别不平衡问题SVM
27
可解释性与模型选择
随机森林特征重要性 · SVM支持向量分布 · SHAP值对比
可解释性模型选择
28
模型部署与性能
模型文件大小 · 单次推理速度 · 生产环境资源限制
模型部署性能
29
综合案例
信贷违约预测——从EDA · 特征工程到模型选择与调优全流程
综合案例EDA
30
模型选择决策树
基于数据规模 · 特征数量 · 可解释性需求
模型选择决策树基于数据规模