文件名称：机器学习：该项目使用来自Lending Club的免费数据来构建和评估几种机器学习模型，以预测信用风险。 我们采用了不同的技术来训练和评估班级不平衡的模型。 使用不平衡学习和Scikit学习库
文件大小：16KB
文件格式：ZIP
更新时间：2024-03-01 13:37:21
JupyterNotebook
机器学习 该练习包括一方面使用不同的重采样技术来分析信用风险，另一方面使用集成技术来分析信用风险。 在第一部分中，我们将使用过采样，欠采样以及组合的（过高和不足）采样技术来查看哪种模型在预测信用风险方面做得更好。 在第二部分中，我们将使用不同的集成技术进行相同的操作，以查看哪种模型在预测信用风险方面也做得更好。 分析记录位于ipynb文件中。 重采样技术： 哪种型号的平衡准确度得分最高？ 在本练习中，我们使用了4个模型：朴素的随机过采样，SMOTE过采样，欠采样和组合（上下采样）采样。 SMOTE过采样模型产生的最佳平衡精度得分为0.8388510243681058，紧随其后的是组合采样（上下采样）为0.8388319216626994，而朴素的随机过采样率为0.8325468421491353。 欠采样模型位于0.8215575767118339处，但是必须注意，所有平衡精
【文件预览】：
Machine-Learning-master
----credit_risk_resampling.ipynb(43KB)
----credit_risk_ensemble.ipynb(41KB)
----README.md(3KB)