人工智能-项目实践-汽车投保风险指数预测-基于xgboost的汽车投保风险指数预测

1、内容概要：本资源主要基于XGBoost与LightGBM实现文本分类，适用于初学者学习文本分类使用。 2、数据集为电商真实商品评论数据，主要包括训练集data_train，测试集data_test ，经过预处理的训练集clean_data_train，训练好的word2vec词向量模型w2v_model.pkl和中文停用词表stopwords.txt，可用于模型训练和测试，详细数据集介绍见商品评论情感数据说明文档。 3、源代码：word2vec_analysis.py 是基于Word2Vec进行词向量的生成，采用向量平均求得句向量，然后分别构建RandomForest和GBDT分类模型进行文本分类。 4、源代码：xgboost_model.py是基于xgboost模型对文本进行分类。 5、源代码：lightGBM_model.py是基于lightGBM模型对文本进行分类。

XGBRegressor：使用Python 2.7，scikit-learn和XGBoost进行回归问题的简单实现

使用xgboost建模的液压系统状态监测 我们将使用各种传感器值并使用xgboost进行测试，对测试液压钻机进行条件监控。 我们的F1得分很高（在所有情况下> 0.94，在两种情况下> 0.99）。 我们还监测了特征重要性，并且该特征重要性与钻机的实际物理状况（如冷却状况，泵泄漏，液压蓄能器和阀门状况）具有很好的相关性。 可以从以下下载此分析的数据集：

人工智能_项目实践_上市公司财务造假_基于XGBoost的上市公司财务造假预测

PySpark-ClusterClassify 使用AWS Sagemaker在MNIST数据集上进行分布式KMeans聚类和XGBoost分类作业

XGBoost模型 该项目使用XGBoost模型预测销售价格，然后将结果与其他算法（例如，Random Forest和Decision Tree）进行比较。 资料栏位 这是您将在数据描述文件中找到的内容的简短版本。 SalePrice-物业的销售价格（以美元为单位）。 这是您要预测的目标变量。 MSSubClass：建筑类MSZoning：总体分区分类LotFrontage：连接到属性Lot的街道的线性英尺LotArea：平方英尺的地块大小Street：道路通道的类型Alley：胡同通道的类型LotShape：属性的一般形状LandContour：平面度属性实用程序：可用的实用程序类型LotConfig：批次配置LandSlope：属性的坡度邻域：Ames城市范围内的物理位置条件1：接近主干道或铁路条件2：接近主干道或铁路（如果有第二秒）BldgType：类型房屋外观样式：房屋风格整体质

分类问题中的特征选择一直是一个重要而又困难的问题。这类问题中要求特征选择算法不仅能够帮助分类器提高分类准确率，同时还要尽可能地减少冗余特征。因此，为了在分类问题中更好地进行特征选择，提出了一种新型的包裹式特征选择算法XGBSFS。该算法借鉴极端梯度提升（XGBoost）算法中构建树的思想过程，通过从3个重要性度量的角度来衡量特征的重要性，避免单一重要性度量的局限性；然后通过改进的序列浮动前向搜索策略（ISFFS）搜索特征子集，使最终得到的特征子集有较高的质量。在8个UCI数据集的对比实验中表明，所提算法具有很好的性能。

Xgboost原理详解，参考了多个博客和论文，探讨XGB的基本原理和优点等。

机器学习方法在股指期货预测中的应_省略_SVM和XGBoost的比较分析_黄卿.pdf