财讯：二分类、多分类、回归任务，一个项目get竞赛必备模型

本篇文章1531字，读完约4分钟

机心报道

机器的心

数据挖掘竞赛的必备模型，四种实现方法，你值得拥有。

数据科学竞赛是学习各种算法，深入理解数据科学，提高自己，挑战的绝佳机会，这些竞赛有一点常用的模式。

最近，一位开发者在github上以包含数据挖掘类比赛常用模型的项目为开源，首先涵盖了二分类、多分类和回归任务。 项目代码全部由python实现。

项目地址: github/qlmx/data_mining_models

这个项目包括lightgbm实现、xgboost实现、keras实现、基于pytorch实现的二分类模型、多分类模型和回归模型。

lightgbm

binary_class.py :lightgbm实现的二分类

multi_class.py :lightgbm实现的多分类

regression.py :lightgbm实现的回归

multi _ class _ custom _ f eval.py:light GBM自定义评价函数实现多分类

multi _ class _ weight _ loss.py:light GBM多类不平衡问题，实现类加权优化

xg提升

binary_class.py :xgboost实现的二分类

multi_class.py :xgboost实现的多分类

regression.py :xgboost实现的回归

keras实现的mlp

binary_class.py :keras实现的mlp，二分类任务

multi_class.py :keras实现的mlp，多分类任务

regression.py :keras实现的mlp，回归任务

pytorch实现的mlp

binary_class.py :pytorch实现的mlp，二分类任务

multi_class.py :pytorch实现的mlp进行多分类任务

regression.py :实现的mlp，回归任务

环境设定

指定的函数包可以直接从pip install -r requirements.txt安装。 具体的函数包如下。

pandasnumpymatplotlibsklearntensorflow = =1. 12.0 keras = =2.2.4pytorchseabornlightgbm = =2.2. 2

项目的解读

第一部分lightgbm的数据基于音频信用比赛的部分特征，随机选择了5000个训练数据、3000个测试数据。 比较其中的gender、cell_province等类的特征，直接进行再编码解决。

第二部分在XG boost的基础上实现了二分类、多分类、回归任务。

第三、四部分是深度互联网部分，是基于keras的多层探测器互联网( mlp )。 pytorch主要用于图像解析任务，在数据挖掘类的竞赛中很少使用，但这个项目整理了基于pytorch的mlp分类和回归任务代码。

项目作者详细解读了项目的各个部分，具体参考了以下复印件。

参考链接:

MP.Weixin.QQ/S/T6 EPWMLWLWP 81 DC J7 Auro3ng

MP.Weixin.QQ/s/TD0VRX 9y O5 Ren 66 L4C 42zw

MP.Weixin.QQ/s/XAB1BSLL _ VA7DGL0S0 Ruoq

zhuanlan.zhihu/p/80381974

neurips meetup

12月6日在北京，机心举办neurips meetup。 活动设置了4个keynote、12篇论文报告和30个poster，邀请顶级专家、论文作者和现场参加者一起交流。

原标题:《二分类，多分类，回归任务，一个项目get竞赛必备模式》

阅读原文。