## 机器学习-集成学习 黄海广 副教授 2022年12月 ## 本章目录 01 集成学习方法概述 02 AdaBoost和GBDT算法 03 XGBoost 04 LightGBM ### 1. 集成学习方法概述 01 集成学习方法概述 02 AdaBoost和GBDT算法 03 XGBoost 04 LightGBM ## 集成学习 ## Bagging 从 ## 集成学习 ## Boosting 训练过程为阶梯状，基模型按次序——进行训练（实现上可以做到并行），基模型的训练集按照某种策略每次都进行一定的转化。对所有基模型预测的结果进行线性综合产生最终的预测结果。  ## 集成学习 ## Stacking 2. 易于并行化，在大数据集上有很大的优势； 3. 能够处理高维度数据，不用做特征选择。 ## 随机森林 Random Forest（随机森林）是 Bagging 的扩展变体，它在以决策树为基学习器构建 Bagging 集成的基础上，进一步在决策树的训练过程中引入了随机特征选择，因此可以概括随机森林包括四个部分： 1. 随机选择样本（放回抽样）； 2. 随机选择特征; 3. 构建决策树；

FIT2CLOUD 飞致云 ## MeterSphere 一站式开源持续测试平台 2022 年 5 月 持续测试的兴起与现状 MeterSphere 加速企业持续测试落地 MeterSphere 企业版及专业服务 ## 持续测试是持续交付发展的必然需求 ## 持续交付能力是企业核心竞争力  持续测试是执行自动化测试的过程，作为软件交付流水线的重要一环，持续测试帮助企业尽快获得软件发布后业务风险的反馈。 业尽快获得软件发布后业务风险的反馈。 ## 为什么测试环节会成为持续交付中的瓶颈？ - 超过 80% 的测试仍是手动执行的； • 大约 67% 的测试用例的编写、维护和执行是冗余的； - 测试人员平均要花 17% 的时间来处理误报和 14% 的时间来处理额外任务； ## 测试速度问题 - 过半的测试人员每周要花费 5-15 个小时来处理测试数据（测试数据的平均等待时间为 2 周）； -

FIT2CLOUD 飞致云 ## MeterSphere 一站式开源持续测试平台 2023 年 3 月 持续测试的兴起与现状 MeterSphere 加速企业持续测试落地 MeterSphere 企业版及专业服务 ## 持续测试是持续交付发展的必然需求 ## 持续交付能力是企业核心竞争力 保证业务足够稳  ## 持续测试能力保障业务足够可靠 ## 催生 持续交付可以降低发布风险，提高可靠性，使软件能够根据用户反馈、市场变化和企业战略变更不断进行调整。 持续测试是执行自动化测试的过程，作为软件交付流水线的重要一环，持续测试帮助企业尽快获得软件发布后业务风险的反馈。  ## 为什么测试环节会成为持续交付中的瓶颈？  因为下游处理能力不足导致的阻塞 图片来源：《持续交付 2.0》 ## 造成测试阻塞的三个方面 ### 01. 测试速度 - 非探索性手工执行用例比重过多；

## 深度学习-深度学习实践 黄海广 副教授 2023年03月 ## 本章目录 01 数据集划分 02 数据集制作 03 数据归一化/标准化 04 正则化 05 偏差和方差 ## 数据集划分 训练集（Training Set）：帮助我们训练模型，简单的说就是通过训练集的数据让我们确定拟合曲线的参数。 验证集（Validation Set）：也叫做开发集（Dev Set），用来做模型选择（model selection），即做模型的最终优化及确定的，用来辅助我们的模型的构建，即训练超参数，可选； 测试集（Test Set）：为了测试已经训练好的模型的精确度。 三者划分：训练集、验证集、测试集 机器学习：60%，20%，20%；70%，10%，20% 深度学习：98%，1%，1%（假设百万条数据） ## 交叉验证 的技术，保留所有的特征，但是减少参数的大小（magnitude），它可以改善或者减少过拟合问题。 ### 4. 集成学习方法 集成学习是把多个