帕金森病检测 使用XGBoost检测帕金森氏病，并使用Flask进行部署。 使用的语言：Python 3.7，Html5，CSS3。 该Web应用程序正在开发中，目前托管在两个云平台中： IBM Cloud： : Heroku云： ：

员工流失预测 这是使用xgboost＆GBDT＆Lightgbm＆ngboost预测员工流失的项目

xgboost调参教程 ，适合机器学习 与风控评分卡调参相关学习。

Boosting 方法的主要⽬标是将弱分类器“提升” 为强分类器，根据前⼀个弱分类器的训练效果对样本分布进行调整，再根据新的样本分布训练下⼀个弱分类器，如此迭代，最后将⼀系列弱分类器组合成⼀个强分类器。 XGBoost是boosting算法的其中一种。Boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器。因为XGBoost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。 手写xgboost算法，几乎实现xgboost的所有算法，之中有与xgboost库进行比较xgboos的性能和方法，结果是差不多的，达到了预期的要求，简单的数据集也放在了上面。 并且这之中包括详细的注释，也包括了很多有关于xgboost的原理，是我手写xgboost算法之中做的一些记录和笔记，这里面也有对数据集的种种可视化，数据集也在文件里面。

自己参加五一赛的作品。附录包括代码和数据，质量很好，获奖没问题，可以用于学习参考和期末选课结业。 本文针对矿石加工问题，利用 XGBoost 模型、贝叶斯优化模型与回归插补法进 行研究，旨在提升工业矿石产品的生产合格率，为矿产行业提供参考与建议。

在电商产业链中，为提升用户物流服务体验，供应链协同将货品提前准备在全球各个市场的本地仓，可有效降低物流时间，极大提升用户体验。不同于国内电商物流情况，出海电商的产品生产和销售地区是全球化的，商品的采购，运输，海关质检等，整个商品准备链路需要更长的时间。在大数据和人工智能技术快速发展的新时代背景下，运用大数据分析和算法技术，精准预测远期的商品销售，为供应链提供数据基础。 供应链需求预测，对原问题做建模问题简化。考虑商品在制造，国际航运，海关清关，商品入仓的供应链过程，实际的产品准备时长不同。这里将问题简化，统一在45天内完成。该资源为利用最近1年多的商品数据预测45天后5周每周（week1~week5）的一个不同SKU的销量模型。 该资源为大数据或者机器学习领域中一个完整的时间序列的预测案例，感兴趣的朋友可尝试下载学习，对于在供应链、电商领域的做算法研究的朋友有比较大的帮助

XGBoost[1]是2014年2月诞生的专注于梯度提升算法的机器学习函数库，此函数库因其优良的学习效果以及高效的训练速度而获得广泛的关注。仅在2015年，在Kaggle[2]竞赛中获胜的29个算法中，有17个使用了XGBoost库，而作为对比，近年大热的深度神经网络方法，这一数据则是11个。在KDDCup 2015 [3]竞赛中，排名前十的队伍全部使用了XGBoost库。

母线负荷预测对于电网安全稳定调度具有重要意义，但母线负荷随机波动性较强，其负荷类型因供电区域的差异而不同。为此，提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型，组合构成Stacking模型融合的元模型层，连接一个XGBoost模型对元模型进行融合，整体构成综合预测系统，并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析，验证了所提方法的有效性与适用性。

xgboost是一种集成学习中非常厉害的算法，在kaggle等比赛中取得了非常好的成绩。资源中有作者陈天奇的论文及ppt详解。

人工智能-项目实践-企业退出风险预测-基于python的企业经营退出风险预测，二分类问题 model: Xgboost 数据处理： pandas 文件夹结构介绍 data/alldata/： 存放所有的得到的数据文件 data/public/: 题目给定的原始数据 (https://pan.baidu.com/s/1nuJNz9B) 提取密码：t2ek 运行之前，请建立对应的文件夹，并导入数据。 model/：运行的model文件 feature/: 提取特征的py文件 saveModel/: 保存model，可以不使用 stack/: stacking特征的py文件 xresult/：存放输出结果的文件