近日，南大周志华等人首次提出使用深度森林方法解决多标签学习任务。该方法在 9 个基准数据集、6 个多标签度量指标上实现了最优性能。

现实世界中的机器学习系统需要数据科学家和领域专家来建立和维护，而这样的人才却总是供不应求。自动化机器学习（AutoML）由于在构建和维护机器学习工作流中的关键步骤中所展现出的广泛适用性，使得该领域的研究前景一片光明...

决策树是当下使用的最流行的非线性框架之一。目前为止，我们学过的支持向量机和广义线性都是线性模型的例子，内核化则是通过映射特征ϕ得出非线性假设函数。决策树因其对噪声的鲁棒性和学习析取表达式的能力而闻名。实际...

本文是决策树的第三篇，主要介绍基于 Boosting 框架的主流集成算法，包括 XGBoost 和 LightGBM。

本文是主要介绍基于 Boosting 框架的主流集成算法，包括 XGBoost 和 LightGBM。

本文主要介绍基于 Boosting 框架的主流集成算法，包括 XGBoost 和 LightGBM。

不久前微软DMTK(分布式机器学习工具包)团队在GitHub上开源了性能超越其他boosting工具的LightGBM，在三天之内GitHub上被star了1000次，fork了200次。知乎上有近千人关注“如何看待微软开源的LightGBM？”问题，被评价为“速...

Bagging是bootstrap aggregating。思想就是从总体样本当中随机取一部分样本进行训练，通过多次这样的结果，进行投票获取平均值作为结果输出，这就极大可能的避免了不好的样本数据，从而提高准确度。因为有些是不好的样本，相当...

GBDT(Gradient Boosting Decision Tree)，全名叫梯度提升决策树，使用的是Boosting的思想。

二分类的线性分类模型，也是判别模型。目的是求出把训练数据进行线性划分的分离超平面。感知机是神经网络和支持向量机的基础。学习策略：极小化损失函数。损失函数对应于误分类点到分离超平面的总距离。基于随机梯度下降...