xgboost

几点声明： 1、本文的内容全部来源于七月在线发布的BAT机器学习面试1000题系列； 2、文章中带斜体的文字代表是本人自己增加的内容，如有错误还请批评指正； 3、原文中有部分链接已经失效，故而本人重新加上了新的链接，如有不当，还请指正。（也已用斜体标出） 4、部分答案由于完全是摘抄自其它的博客，所以本人就只贴出答案链接，这样既可以节省版面，也可以使排版更加美观。点击对应的问题即可跳转。 最后，此博文的排版已经经过本人整理，公式已用latex语法表示，方便读者阅读。同时链接形式也做了优化，可直接跳转至相应页面，希望能够帮助读者提高阅读体验，文中如果因为本人的整理出现纰漏，还请指出，大家共同进步！ 1.请简要介绍下SVM。 SVM，全称是support vector machine，中文名叫支持向量机。SVM是一个面向数据的分类算法，它的目标是为确定一个分类超平面，从而将不同的数据分隔开。 扩展： 支持向量机学习方法包括构建由简至繁的模型：线性可分支持向量机、线性支持向量机及非线性支持向量机。当训练数据线性可分时，通过硬间隔最大化，学习一个线性的分类器，即线性可分支持向量机，又称为硬间隔支持向量机；当训练数据近似线性可分时，通过软间隔最大化，也学习一个线性的分类器，即线性支持向量机，又称为软间隔支持向量机；当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。

I am looking at the below image. Can someone explain how they are calculated? I though it was -1 for an N and +1 for a yes but then I can't figure out how the little girl has .1. But that doesn't work for tree 2 either. The values of leaf elements (aka "scores") - +2 , +0.1 , -1 , +0.9 and -0.9 - were devised by the XGBoost algorithm during training. In this case, the XGBoost model was trained using a dataset where little boys ( +2 ) appear somehow "greater" than little girls ( +0.1 ). If you knew what the response variable was, then you could probably interpret/rationalize those contributions

假设本地 Ubuntu 服务器已经安装好了Docker，这里讲述一下如何开始运行Anaconda3的Docker镜像： 1. 搜索镜像 搜索我们想要的anaconda镜像： docker search anaconda 2. 拉取镜像 我们决定拉anaconda3官方镜像，即 continuumio/anaconda3 这个镜像： docker pull continuumio/anaconda3 注意，这个镜像大小接近1GB，所以时间比较长。 3.运行镜像，指定网络端口 运行 anaconda3 镜像的bash命令行，其中指定容器到宿主机的端口映射： docker run -i -t -p 12345:8888 continuumio/anaconda3 /bin/bash 其中： -i: 是 以交互模式运行容器，通常与 -t 同时使用； -t: 为容器重新分配一个伪输入终端，通常与 -i 同时使用； -p: 指定端口映射，格式为：主机(宿主)端口:容器端口 具体数字随便写的... 即可进入anaconda3的命令行。 4. 检查Python的版本 python 当前是3.7.3版本 5. 查看已经安装的库 有两种查看方法，pip 和 conda 均可 conda list pip list 6. 安装xgboost（或者其他包） 首先，原始镜像应该是不带xgboost的