对附件一数据建立了总里程等相关因素与成交价格、指导价格、线路成本的多元线性回归模型；为了提高线路价格的预测精度，又建立了基于多因素的 LightGBM 回归模型并与多元线性回归模型进行比较；最后，以历史成功交易的平均溢价比为参考，根据不同需求紧急程度为附件 2 的任务进行了三次报价定价
2021-08-28 10:53:47
18.53MB
1
lightgbm（xgboost）中的焦点损失和标签平滑，用于多类
此损失函数包含焦点损失[1]和标签平滑[2]，现在仅支持lightgbm用于多类（类> 3，它将在以后支持xgboost和二进制类问题）
标签平滑
平滑值表示ε的值：
焦点损失
其中alpha，gamma是焦距损失的参数，为：
alpha用于不平衡样本，gamma用于难以学习的样本，在多类问题中，alpha似乎毫无用处。
用法：
1.导入损失函数库
import lightgbm as lgb
import lossfunction as lf
import numpy as np
2.初始化损失函数
focal_loss_lgb = lf.ComplexLoss(gamma = 0.5)
param_dist= {'objective':focal_loss_lgb.focal_loss}
param_dist['nu
2021-08-24 17:36:36
2KB
1
GBDT实现：XGBoost、LightGBM、Catboost对比
参考https://www.kaggle.com/lavanyashukla01/battle-of-the-boosting-algos-lgb-xgb-catboost
2021-08-12 07:41:36
1.2MB
1
轻梯度升压机
LightGBM是使用基于树的学习算法的梯度增强框架。 它被设计为分布式且高效的，具有以下优点：
更快的训练速度和更高的效率。
降低内存使用率。
更好的准确性。
支持并行，分布式和GPU学习。
能够处理大规模数据。
有关更多详细信息，请参阅。
受益于这些优势，LightGBM被广泛用于许多机器学习竞赛的中。
在公共数据集上进行的表明，LightGBM可以在效率和准确性上均优于现有的Boosting框架，并且显着降低了内存消耗。 此外， 表明，LightGBM通过使用多台机器进行特定设置的训练可以实现线性加速。
入门和文档
我们的主要文档位于并从此存储库生成。 如果您不熟悉LightGBM，请按照站点上进行。
接下来，您可能需要阅读：
显示了常见任务的命令行用法。
LightGBM支持的和算法。
是您可以进行的自定义的详尽列表。
和可以加快计算速度。
2021-07-02 11:44:26
6.71MB
1
离线安装python_anaconda的依赖包（lightgbm、xgboost等）方法
2021-05-21 12:01:21
617B
1