文章目录Chapter1:OverviewofSentosa_DSMLCommunityEdition1.WhatisDSML?2.WhatisSentosa_DSML？3.PositioningoftheSentosa_DSMLCommunityEdition4.WhatisSentosa_DSMLCommunityEdition？![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/51e1c2

文章目录一、背景描述二、Sentosa_DSML社区版算法实现(一)数据读入(二)特征工程(三)样本分区(四)模型训练和评估(五)模型可视化三、总结一、背景描述  股票价格是一种不稳定的时间序列,受多种因素的影响。影响股市的外部因素很多,主要有经济因素、政治因素和

@目录一、算法概念一、算法原理（一）分类算法基本思路1、训练集和权重初始化2、弱分类器的加权误差3、弱分类器的权重4、Adaboost分类损失函数5、样本权重更新6、AdaBoost的强分类器（二）回归算法基本思路1、最大误差的计算2、相对误差计算3、误差损失调整4、权重系数计算5、更新样本

@目录一、算法概念一、算法原理（一）GBDT及负梯度拟合原理（二）GBDT回归和分类1、GBDT回归1、GBDT分类二元分类多元分类（三）损失函数1、回归问题的损失函数2.分类问题的损失函数：三、GBDT的优缺点（一）优点（二）缺点四、随机森林分类任务实现对比（一）数据加载1、Python代码2、Sentosa_DSML社区

@目录一、算法概念二、算法原理（一）K值选择（二）距离度量1、欧式距离2、曼哈顿距离3、闵可夫斯基距离（三）决策规则1、分类决策规则2、回归决策规则三、算法优缺点优点缺点四、KNN分类任务实现对比（一）数据加载和样本分区1、Python代码2、Sentosa_DSML社区版（二）训练模型1、Python代码2、Sento

@目录一、算法概念二、算法原理（一）Histogram（二）GOSS1、信息增益2、近似误差（三）EFB三、算法优缺点（一）优点（二）缺点四、LightGBM分类任务实现对比（一）数据加载和样本分区1、Python代码2、Sentosa_DSML社区版（二）模型训练1、Python代码2、Sentosa_DSML社区版（三）模型评估和模型可视化1、Python代

@目录一、Holt-Winters算法原理(一)加法模型(一)乘法模型(三)阻尼趋势二、HoltWinters算法优缺点优点缺点三、Python代码和Sentosa_DSML社区版算法实现对比(一)数据读入和统计分析(二)数据预处理(三)模型训练和模型评估(四)模型可视化四、总结一、Holt-Winters算法原理

@目录一、算法概念二、算法原理（一）感知机（二）多层感知机1、隐藏层2、激活函数sigma函数tanh函数ReLU函数3、反向传播算法三、算法优缺点（一）优点（二）缺点四、MLP分类任务实现对比（一）数据加载和样本分区1、Python代码2、Sentosa_DSML社区版（二）模型训练1、Python代码2、Sentosa_DSML社区版（三）

@目录一、算法概念二、算法原理（一）FM表达式（二）时间复杂度（三）回归和分类三、算法优缺点（一）优点（二）缺点四、FM分类任务实现对比（一）数据加载和样本分区1、Python代码2、Sentosa_DSML社区版（二）模型训练1、Python代码2、Sentosa_DSML社区版（三）模型评估和模型可视化1、Python代码2、Sentosa_DSM

@目录一、XGBoost算法二、Python代码和Sentosa_DSML社区版算法实现对比(一)数据读入和统计分析(二)数据预处理(三)模型训练与评估(四)模型可视化三、总结一、XGBoost算法  关于集成学习中的XGBoost算法原理，已经进行了介绍与总结，相关内容可参考【机器学习(一)】分类和回归任务

@目录一、背景描述二、Python代码和Sentosa_DSML社区版算法实现对比(一)数据读入(二)特征工程(三)样本分区(四)模型训练和评估(五)模型可视化三、总结一、背景描述  股票价格是一种不稳定的时间序列,受多种因素的影响。影响股市的外部因素很多,主要有经济因素、政治因素

文章目录一、背景描述二、Python代码和Sentosa_DSML社区版算法实现对比(一)数据读入(二)特征工程(三)样本分区(四)模型训练和评估(五)模型可视化三、总结一、背景描述  股票价格是一种不稳定的时间序列,受多种因素的影响。影响股市的外部因素很多,主要有经济

文章目录一、Holt-Winters算法原理(一)加法模型(二)乘法模型(三)阻尼趋势二、HoltWinters算法优缺点优点缺点三、Python代码和Sentosa_DSML社区版算法实现对比(一)数据读入和统计分析(二)数据预处理(三)模型训练和模型评估(四)模型可视化四、总结一、Holt-

【第十六章：Sentosa_DSML社区版-机器学习之生存分析】16.1加速失效时间回归1.算子介绍        加速失效时间回归模型Acceleratedfailuretime(AFT)是一个监督型参数化的回归模型，它可以处理删失数据。它描述了一个生存时间的对数模型，所以它通常被称为生存分析的对

文章目录一、算法概念二、算法原理（一）感知机（二）多层感知机1、隐藏层2、激活函数sigma函数tanh函数ReLU函数3、反向传播算法三、算法优缺点（一）优点（二）缺点四、MLP分类任务实现对比（一）数据加载和样本分区1、Python代码2、Sentosa_DSML社区版（二）模型训练1、Python代码2、Sent

【第十二章：Sentosa_DSML社区版-机器学习回归】12.1 线性回归1.算子介绍        线性回归模型(BuildLRNode)是一个非常经典有效的回归模型，它假设所有特征变量和目标变量之间存在线性关系。通过训练来求得各个特征的权重以及截距。同时可以通过L1，L2正则化来减少模型

文章目录一、算法概念二、算法原理（一）定义（二）袋外数据三、随机森林的优缺点（一）优点（二）缺点四、随机森林分类任务实现对比（一）数据加载1、Python代码2、Sentosa_DSML社区版（二）样本分区1、Python代码2、Sentosa_DSML社区版（三）模型训练1、Python代码2、Sentosa_DSML社区版（四）模