二分类、多分类、返回任意，一个项目get角逐必备模型

数据科学角逐是学习各类算法、深入理解数据科学、提升和挑战自己的绝佳机会，而这些角逐中有一些罕用的模型。近日，有开发者在 GitHub 上开源了一个包含数据挖掘类角逐罕用模型的项目，主要涵盖二分类、多分类以及返回任意。项目代码全部使用 Python 实行。

项目地址：https://github.com/QLMX/data_mining_models该项目包含二分类模型、多分类模型以及返回模型，它们分别鉴于 lightgbm 实行、xgboost 实行、keras 实行和 pytorch 实行： lightgbm

binary_class.py ：lightgbm 实行的二分类

multi_class.py ：lightgbm 实行的多分类

regression.py ：lightgbm 实行的返回

multi_class_custom_feval.py ：lightgbm 自定义评价函数实行多分类

multi_class_weight_loss.py ：lightgbm 多种别不平衡问题，实行种别加权优化

xgboost

binary_class.py ：xgboost 实行的二分类

multi_class.py ：xgboost 实行的多分类

regression.py ：xgboost 实行的返回

 keras 实行的 mlp

binary_class.py ：keras 实行的 mlp，做二分类任意

multi_class.py ：keras 实行的 mlp，做多分类任意

regression.py ：keras 实行的 mlp，做返回任意

 pytorch 实行的 mlp

binary_class.py ：pytorch 实行的 mlp，做二分类任意

multi_class.py ：pytorch 实行的 mlp，做多分类任意

regression.py ：实行的 mlp，做返回任意

环境设置可以直接通过 pip install -r requirements.txt 安装指定的函数包，具体的函数包如下：pandas
numpy
matplotlib
sklearn
tensorflow==1.12.0
keras==2.2.4
pytorch
seaborn
lightgbm==2.2.1
xgboost==0.90项目解读第一部份 lightgbm 的数据是鉴于拍拍贷角逐截取的一部份特征，随机选择了 5000 个训练数据，3000 个测试数据。针对其中 gender、cell_province 等种别特征，直接进行重新编码处理。第二部份又鉴于 xgboost 实行了二分类、多分类和返回任意。第三、四部份是深度收集部份，是鉴于 keras 实行的多层感知机收集 (mlp)。pytorch 主要用于图像处理任意，在数据挖掘类角逐中很少用到，但该项目整理了鉴于 pytorch 实行的 mlp 做分类与返回任意代码。项目作者对项目的各部份进行了详细的解读，具体参照以下内容：

参照链接：https://mp.weixin.qq.com/s/t6EpWmLWP81DcJ7AUro3Nghttps://mp.weixin.qq.com/s/Td0Vrx9YO5rEn66L4C42Zwhttps://mp.weixin.qq.com/s/XaB1BsLL_Va7dGL0S0rUOQhttps://zhuanlan.zhihu.com/p/80381974