08、机器学习-决策树系列 - 猎人搜索 轻松搜寻全网资源

• file:20：Adaboost算法思路.mp4
• file:19：OOB袋外数据.mp4
• file:21：调整数据权重让权重正确率达到50%.mp4
• file:22：Adaboost如何调整样本权重和求基模型权重.mp4
• file:17：随机森林.mp4
• file:15：不同聚合方式_生成不同弱学习器方式.mp4
• file:16：Bagging_Boosting_Stacking.mp4
• file:18：代码实战随机森林对鸢尾花数据集分类.mp4
• file:1：决策树模型的特点.mp4
• file:11：代码训练回归树拟合SineWave.mp4
• file:10：绘制决策树模型_寻找最优树深度.mp4
• file:13：CCP代价复杂度后剪枝.mp4
• file:5：Gini系数.mp4
• file:3：如何构建一颗决策树.mp4
• file:8：预剪枝以及相关超参数.mp4
• file:4：什么是更好的一次划分.mp4
• file:7：熵与Gini系数关系_信息增益率.mp4
• file:37：GBDT二分类举例详解.mp4
• file:30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4
• file:29：GBDT二分类拟合的负梯度依然是残差.mp4
• file:32：GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp4
• file:24：GBDT令每个弱学习器f(x)去拟合负梯度.mp4
• file:39：计算特征重要度进行特征选择.mp4
• file:45：GBDT+LR架构预测评估代码实现.mp4
• file:23：GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4
• file:34：对比GBDT回归、二分类、多分类相同点与不同点.mp4
• file:43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp4
• file:40：GBDT用于特征组合降维.mp4
• file:41：特征组合降维在GBDT+LR架构应用.mp4
• file:25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4
• file:50：通过目标函数Obj来达到准确率和复杂度平衡.mp4
• file:58：根据Obj收益指导每一次分裂从而学习一棵树结构.mp4
• file:55：重新定义树ft和树的复杂度Ω.mp4
• file:53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4
• file:60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4
• file:59：举例说明从连续型和离散型变量中寻找最佳分裂条件.mp4
• file:61：样本权重对于模型学习的影响.mp4
• file:52：得出XGBoost最开始的Obj目标函数.mp4
• file:47：Bias_Variance_Trade-off.mp4
• file:57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4
• file:46：回顾有监督机器学习三要素.mp4
• file:48：基于树集成学习4个优点.mp4
• file:54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4
• file:56：由每个叶子节点重组目标函数Obj.mp4
• file:51：Objective_vs_Heuristic.mp4
• file:49：回顾基于树集成学习的模型和参数并举例说明.mp4
• file:62：总结XGBoost的特性_包括缺失值的处理策略.mp4
• folder:08、机器学习-决策树系列
• folder:章节2：集成学习和随机森林
• folder:章节1：决策树
• folder:章节4：XGBoost