机读格式显示(MARC)

• 000 01817nam0 2200289 450

• 001 0000794496

• 005 20250618095000.0

• 010 __ |a 978-7-302-65951-8 |d CNY99.00

• 100 __ |a 20240419d2024 em y0chiy50 ea

• 101 1_ |a chi |c eng

• 102 __ |a CN |b 110000

• 105 __ |a a z 000yy

• 106 __ |a r

• 200 1_ |a 梯度提升算法实战 |A ti du ti sheng suan fa shi zhan |e 基于XGBoost和scikit-learn |f (美) 科里·韦德著 |g 张生军译

• 210 __ |a 北京 |c 清华大学出版社 |d 2024.4

• 215 __ |a xvii, 218页 |c 图 |d 26cm

• 312 __ |a 英文题名原文取自版权页

• 330 __ |a 本书在介绍机器学习和XGBoost在scikit-learm中的应用后, 逐步深入梯度提升背后的理论知识。读者将学习决策树, 并分析在机器学习环境中的装袋技术, 同时学习拓展到XGBoost的超参数; 并将从零开始构建梯度提升模型, 将梯度提升扩展到大数据领域, 同时通过计时器的使用了解速度限制。接着, 本书重点探讨XGBoost的细节, 着重于速度提升和通过数学推导导出参数。通过详细案例研究, 读者将练习使用scikit-learn及原始的PythonAPI构建和微调XGBoost分类器与回归器; 并学习如何利用XGBoost的超参数来提高评分、纠正缺失值、缩放不平衡数据集, 并微调备选基学习器。最后, 读者将学习应用高级XGBoost技术, 如构建非相关的集成模型、堆叠模型, 并使用稀疏矩阵、定制转换器和管道为行业部署准备模型。

• 333 __ |a 本书适合作为高等学校计算机专业、软件工程专业的高年级本科生及研究生教材, 同时适合有一定机器学习基础的数据科学家、机器学习工程师和研究人员阅读, 可为解决复杂的机器学习问题提供实用指导

• 500 10 |a Hands-on gradient boosting with XGBoost and scikit-learn |A Hands-on Gradient Boosting With Xgboost And Scikit-learn |m Chinese

• 517 1_ |a 基于XGBoost和scikit-learn |A ji yu XGBoost he scikit-learn

• 606 0_ |a 机器学习 |A ji qi xue xi |x 算法

• 690 __ |a TP181 |v 5

• 701 _1 |a 韦德 |A wei de |g (Wade, Corey) |4 著

• 702 _0 |a 张生军 |A zhang sheng jun |4 译

• 801 _0 |a CN |b 湖北三新 |c 20240419

• 905 __ |a LIB |d TP181/384