B2C Data

8.XGBoost
XGBoost 是另一个广泛使用的分布式梯度增强库，其构建是可移植、灵活和高效的。它允许在梯度提升的框架内实施机器学习算法。 XGBoost 提供梯度提升决策树 (GBDT)，这是一种并行树提升，可以快速准确地为许多数据科学问题提供解决方案。相同的代码可以在主要的分布式环境（Hadoop、SGE、MPI）中运行，并且可以解决无数问题。

近年来，由于帮助个人和团队赢得几乎所有 Kaggle 结构 Facebook 数据 化数据竞赛，XGBoost 获得了广泛的欢迎。 XGBoost 的优点包括：

庞大且不断增长的用户群
可用于广泛的应用，例如回归、分类和排名
与所有 OS X、Windows 和 Linux 平台兼容
云端整合
被许多组织用于生产
XGBoost 由活跃的社区成员开发和维护，并根据 Apache 许可证获得使用许可。如果您想了解更多信息， 这个XGBoost 教程是一个很好的资源。


9.猫助推器
Catboost 是一个基于决策树的快速、可扩展、高性能梯度提升库，用于 Python、R、Java 和 C++ 的分类、分类、回归和其他机器学习任务。支持CPU和GPU上的计算。

作为 MatrixNet 算法的后继者，它被广泛用于任务分类、预测和推荐。由于其通用性，它可以应用于广泛的领域和各种各样的问题。

根据其存储库， CatBoost 的优点是：

与其他梯度提升决策树库相比，在许多数据集上具有更高的性能
一流的预测速度
支持数字和分类特征
出色的 GPU 支持
包括可视化工具
使用 Apache Spark 和 CLI 进行可重复且高效的分布式训练


10.统计模型
Statsmodels 提供的类和函数允许用户估计各种统计模型、执行统计测试和探索统计数据。下面提供了每个估计器的结果统计的完整列表。可以使用现有的统计包检查结果的精度。

该库的大部分测试结果都已通过至少一种其他统计软件包进行了验证：R、Stata 或 SAS。统计模型的一些特征是

它包含用于统计测试和建模的高级函数，这些函数在 NumPy 或 SciPy 等数值库中不可用。
线性回归。
逻辑回归。
时间序列分析。
与数据框架一起使用。
统计分析方法与 R 编程语言更加一致，使其成为已经熟悉 R 并希望迁移到 Python 的数据科学家的合适库。
如果您想了解更多信息，这门统计模型入门课程是一个很好的起点。



1