-
通过 TOPSIS 赋权优化多模型融合的 SHAP 解释提升模型透明性
本示例其核心目标是构建一个高性能的分类预测模型。整个流程始于数据准备，历经多个独立模型的训练与优化，最终通过一种基于多标准决策分析的先进方法，将这些独立模型融合成一个性能更优的集成模型。 最后，实现了一个自定义的 EnsembleModel 类，用于执行加权模型融合。该类接收所有基模型以及通过TOPSIS计算出的权重。其核心的 predict_proba 方法会获取每个基模型对新数据的预测概... -
从特征筛选到多模型机器学习对比与优化 -- 基于医学数据的分类分析完整案例/多模型机器学习对比与优化
本案例目的是实现机器学习模型的训练、调优、评估以及结果的可视化，主要包括以下步骤： 数据加载与预处理：首先从 Excel 文件中加载了包含多特征的医学数据，并将其存储在数据框中，使用LightGBM模型进行特征的重要性排序。通过训练LGBM模型并获取特征重要性，对特征进行排序，并选取前30个最重要的特征，最后根据LGBM模型的特征重要性，选择了前8个特征进行模型训练。这些特征是：X_30,... -
基于 TOPSIS 赋权的多模型融合方法及其优化应用提升模型预测性能
本示例其核心目标是构建一个高性能的分类预测模型。整个流程始于数据准备，历经多个独立模型的训练与优化，最终通过一种基于多标准决策分析的先进方法，将这些独立模型融合成一个性能更优的集成模型。 最后，实现了一个自定义的 EnsembleModel 类，用于执行加权模型融合。该类接收所有基模型以及通过TOPSIS计算出的权重。其核心的 predict_proba 方法会获取每个基模型对新数据的预测概... -
从机器学习到因果推断的汽车性能数据分析与关系估计案例实践
考虑哪些因素会影响汽车的重量 这个示例完整地展示了一个从数据预处理、机器学习预测建模、模型可解释性分析到高级因果推断的综合性数据分析流程。其核心目标不仅是构建一个能够准确预测汽车重量的机器学习模型，更是深入挖掘数据背后复杂的因果关系，探究诸如排量、马力等关键性能指标是如何从因果层面影响汽车重量的，从而超越传统的相关性分析，提供更具决策价值的洞见。 模拟案例加载模块123456789101... -
基于 Python dowhy 因果推断入门教程 -- 酒店预订取消影响因素探索完整示例
考虑哪些因素会导致酒店预订被取消 取消预订的原因可能有多种。例如，客户可能要求提供不可用的服务（如停车位），客户可能后来发现酒店不符合他们的要求，或者客户可能只是取消了整个行程。其中一些情况（如停车场）可由酒店采取行动，而其他情况（如行程取消）则不在酒店的控制范围内。无论如何，我们希望更好地了解哪些因素导致了预订取消。找出这一点的黄金标准是使用随机对照试验等实验，其中每个客户都被随机分配...
夜下征虏亭
唐 · 李白
船下广陵去，月明征虏亭山花如绣颊，江火似流萤
