所有文章
> 当前分类:AI驱动
精确度与参数的完美融合：用可视化解读模型优化过程
2025/01/06
背景 简洁明了地展示模型参数对性能的影响是一项挑战，为此，我们采用了可视化驱动的调优方法，通过直观的图表，帮助数据科学家和工程师更好地理解参数设置对模型精度的影响，在本项目中，我们主要探索随机森林模型的两个核心参数——n_estima...
特征选择：基于随机森林的Boruta算法应用
【AI驱动】
前言 Boruta算法是一种用于特征选择的包裹式算法，专门设计用于确定数据集中哪些特征对预测模型是重要的。 Boruta算法原理 构建随机森林模型：首先，Boruta算法使用随机森林模型来计算每个特征的重要性，随机森林是...
2025/01/06
特征选择：Lasso和Boruta算法的结合应用
【AI驱动】
背景 Lasso算法是一种用于回归分析的线性模型方法，具有变量选择和正则化的功能，Lasso通过在损失函数中加入 正则项来约束回归系数的大小，从而达到简化模型、提高预测精度的目的，以下是Lasso算法的关键要点： 目标函数 ...
2025/01/06
用图表说话：如何有效呈现回归预测模型结果
【AI驱动】
背景 在现代数据科学领域中，构建高效的机器学习模型固然重要，但对模型结果的可视化也是至关重要的一环，通过直观的图形和图表，我们不仅能更清晰地理解模型的表现，还能更好地传达数据背后的故事，在本文中，我们将借鉴一篇学术研究中的可视化方法，...
2025/01/06
从基础到进阶：优化SHAP力图，让样本解读更直观
【AI驱动】
背景 在机器学习模型的解释过程中，SHAP力图（SHAP Force Plot）被广泛用于展示单样本各个特征对模型预测结果的贡献，然而，标准的SHAP力图有时可能难以直观地传达关键信息，尤其是在特征数量较多或特征值之间存在较大差异的情...
2025/01/06
不止 SHAP 力图：LIME 实现任意黑盒模型的单样本解释
【AI驱动】
背景 LIME是一个用于解释机器学习模型预测结果的技术，它的主要目的是帮助人们理解黑箱模型（如深度学习模型、随机森林等）的预测决策，针对于单个预测样本的特征贡献度解释 LIME原理 LIME 的核心思想是在模型的局部（即一...
2025/01/06
复现 Nature 图表可视化——基于模型残差分析与显著性检验的模型解释
【AI驱动】
背景 在数据科学和机器学习领域，模型的评估和结果的可视化是至关重要的环节，残差分析通过衡量预测值与真实值之间的差异，为我们提供了深入了解模型性能的关键手段，Nature文章中的b图展示了一种有效的残差可视化方式，不仅能够直观呈现预测误...
2025/01/06
SCI图表复现：整合数据分布与相关系数的高级可视化策略
【AI驱动】
背景 有效的可视化不仅能够揭示数据的分布，还可以帮助识别不同变量之间的关系，一种流行的多变量数据可视化方法是将散点图、直方图和相关系数组合成一个综合图表，这种可视化方法，通常被称为成对图或相关网格，在探索性数据分析中尤为有用，能帮助研...
2025/01/06
树模型系列：如何通过XGBoost提取特征贡献度
【AI驱动】
背景 在机器学习的众多模型中，树模型因其易于解释、可处理多种数据类型以及强大的泛化能力，广受数据科学家的青睐，而XGBoost作为树模型家族中的一员，以其高效的并行计算和良好的预测能力，成为了回归与分类任务中的首选之一 今天这篇...
2025/01/06
SCI图表复现：优化SHAP特征贡献图展示更多模型细节
【AI驱动】
背景 机器学习模型的可解释性需求： 随着机器学习模型在各个行业的广泛应用，尤其是在高风险领域（如金融和医疗），模型的可解释性变得越来越重要，简单来说，模型的预测过程需要能够清晰地向用户展示，以便增加信任度，特别是当决策会对人类...
2025/01/06
使用GeoJSON数据进行SHAP值地图可视化解释ML模型
【AI驱动】
背景 随着机器学习在环境和社会经济研究中的应用越来越广泛，人们对模型的透明性和可解释性的需求也在不断增加。本文将探讨如何使用SHAP值在GeoJSON格式的地理数据上可视化和解释机器学习模型。本文所使用的数据来源于德拉瓦谷区域规划委员...
2025/01/06
深度学习二分类模型中的 SHAP 解释：深入浅出的解读与代码实践
【AI驱动】
背景 假设正面临一个真实业务场景：某电信公司希望预测客户是否可能流失，为了实现这个目标，可以使用客户特征信息（如服务类型、消费金额等）来预测客户是否会流失，这个问题可以被建模成一个二分类问题，即客户是否会流失 (Churn)，用 0 ...
2025/01/06
基于贝叶斯优化的支持向量机（SVM）模型构建
【AI驱动】
背景 支持向量机（SVM）是一种监督学习算法，广泛应用于分类问题中，SVM 通过寻找最优的超平面来区分不同类别的数据，为了提升 SVM 模型的表现，超参数调优至关重要，然而，传统的超参数调优方法，如网格搜索和随机搜索，往往需要大量的计...
2025/01/06
ROC曲线深度解析：从基础二分类到多分类任务的全方位理解
【AI驱动】
背景 ROC曲线（Receiver Operating Characteristic curve）是一种广泛用于评价分类模型性能的工具，尤其适用于二分类问题。它通过在不同阈值下计算模型的真阳性率（True Positive Rate,...
2025/01/06
K折交叉验证结合RFE与随机森林：特征选择全过程可视化
【AI驱动】
背景 在机器学习和数据建模中，特征选择是一个至关重要的步骤，如何从成百上千的特征中选择对模型最有效的少数特征，直接影响到模型的准确性、泛化能力以及解释性，本文的灵感来源于一项研究（见下图），该研究利用随机森林（Random Fores...
2025/01/06
贝叶斯优化在随机森林中的应用：从参数调优到性能提升
【AI驱动】
背景 在模型训练中，超参数如树的数量、最大深度、最小样本分割比例等对随机森林的表现有很大影响。传统的网格搜索法（Grid Search）和随机搜索法（Random Search）虽然简单，但效率相对较低，贝叶斯优化则是基于概率模型，逐...
2025/01/03
搜索文章
热门话题
