一: 主成分分析，
1找出主factor? 下降維度
2特征工程，特征工程2，3增加緯度
二: 分情況:
例一:房價預(yù)測;2啃匿；進階版預(yù)測
（1）先聚類(無監(jiān)督)，
（2）再擬合
1各種映射最小二乘
2增加條目0 1午衰，對此進行線性回歸 回到原函數(shù)映射季節(jié)性+趨勢
3各種映射放縮組合boosting:boosting 算法 CatBoost立宜、Light GBM 和 XGBoost 進行了對比；雖然本文結(jié)論依據(jù)于特定的數(shù)據(jù)集臊岸，但通常情況下橙数，XGBoost 都比另外兩個算法慢。GBDT（也屬于boosting）
例二:泰坦尼克號是否成活1帅戒，2
? 西瓜是否熟了
? 是否患有糖尿病
文本分類cnn rnn實現(xiàn)
分類（有監(jiān)督）
即基于一組預(yù)測變量預(yù)測一個分類結(jié)果（二分類）灯帮。有監(jiān)督機器學(xué)習(xí)領(lǐng)域中包含可用于分類的方法：邏輯回歸、KNN（k臨近）逻住、決策樹钟哥、隨機森林、支持向量機（svm）瞎访、神經(jīng)網(wǎng)絡(luò)等腻贰。
例三 GBDT+LR CTR預(yù)估-Kaggle實例[有數(shù)據(jù)集]
三，正則化（防止過擬合）
最后:預(yù)測結(jié)果常用評分標準
If you are interesting in this topic.
You can get in touch with me.
18234056952(Tel? wechat? qq)
