bootstrap可視化編輯器怎么用
使用bootstrap可視化編輯器需要先訪(fǎng)問(wèn)相關(guān)網(wǎng)站或下載相關(guān)編輯器軟件，然后按照以下步驟操作：1.選擇需要編輯的Bootstrap模板或下載自己設(shè)計(jì)的模板。2.使用拖拽和編輯等方式，對(duì)模板的各個(gè)組件進(jìn)行修改和調(diào)整。3.通過(guò)實(shí)時(shí)預(yù)覽功能查看編輯后的效果。4.下載或保存編輯后的模板并應(yīng)用到自己的網(wǎng)站或項(xiàng)目中。但需要注意的是，這種可視化編輯器雖然簡(jiǎn)便快捷，但在實(shí)際應(yīng)用中可能會(huì)存在兼容性問(wèn)題，需要在使用過(guò)程中進(jìn)行測(cè)試和調(diào)整。
為什么XGBoost在機(jī)器學(xué)習(xí)競(jìng)賽中表現(xiàn)如此卓越
在此簡(jiǎn)單補(bǔ)充一點(diǎn)，希望能給你帶來(lái)幫助：【預(yù)測(cè)領(lǐng)域中的真“絕色”：XGBoost】
全文共3492字，預(yù)計(jì)學(xué)習(xí)時(shí)長(zhǎng)15分鐘前幾天，Z同學(xué)面試完一臉生無(wú)可戀地問(wèn)我，“你知道XGBoost嗎？”“當(dāng)然知道啊，前幾天不看你還在手推來(lái)著。”“嗯，那你知道XGBoost的中英文全稱(chēng)是啥么？”“ummmmm...X的話(huà)難道是羅馬數(shù)字10?G的話(huà)Gradient梯度，Boost的Boostingtree？所以是第十代梯度提升樹(shù)？”“。。。換你答，你也涼。”
圖片來(lái)源：SOOGIF網(wǎng)站
學(xué)習(xí)算法的最大誤區(qū)還記得那個(gè)吐槽清華某畢業(yè)生連手寫(xiě)紅黑樹(shù)都不會(huì)卻張口就要一萬(wàn)八的HR嗎？
這事曾一度引起網(wǎng)友的廣泛關(guān)注和熱烈討論，不過(guò)圈子不同，影響不同。對(duì)于普通吃瓜群眾，“HR說(shuō)得對(duì)，太膨脹。”對(duì)于某些資深程序猿，“我也不會(huì)，我月薪30k。”對(duì)于求職小白，“好慌，手寫(xiě)紅黑樹(shù)？面試不會(huì)還要手推SVM、XGBoost吧？溜了溜了，去推泰勒二次展開(kāi)了。”然后，就像我的同學(xué)小Z一樣，只顧著埋頭推導(dǎo)XGBoost的二階泰勒展開(kāi)，卻連XGBoost的中英文全稱(chēng)都答不上來(lái)。顧此失彼，乃是兵家大忌。很多時(shí)候，我們?cè)趯W(xué)習(xí)算法時(shí)，要么過(guò)于糾結(jié)弄懂原理而忽略了從宏觀(guān)上對(duì)算法有一個(gè)總體的了解和把握，要么是囫圇吞棗一口氣看個(gè)十來(lái)篇博客介紹卻往往還是一知半解不求甚解，可能還會(huì)莫名自我感覺(jué)良好。
基于此，本文就從宏觀(guān)上來(lái)幫大家梳理梳理XGBoost，力求通俗易懂，精準(zhǔn)得當(dāng)。至于算法原理和資源鏈接嘛，請(qǐng)直接拜讀陳天奇博士的論文XGBoost:AScalableTreeBoostingSystem，同時(shí)請(qǐng)參考Github上的開(kāi)源資源進(jìn)行源碼的學(xué)習(xí)和實(shí)戰(zhàn)（https://github.com/dmlc/xgboost）。
什么是XGBoost?原圖來(lái)自Unsplash（byJaredSubia）
十幾年前，回歸建模是預(yù)測(cè)分析中毫無(wú)爭(zhēng)議的女王。但如今回歸建模的時(shí)代已經(jīng)結(jié)束，XGBoost已被成功加冕！XGBoost的英文全稱(chēng)為ExtremeGradientBoosting,中文可以解釋為極端梯度提升（Extreme，一聽(tīng)就很牛X），它是一種基于決策樹(shù)的集成機(jī)器學(xué)習(xí)算法，采用了梯度提升（GradientBoosting）框架。在預(yù)測(cè)有關(guān)非結(jié)構(gòu)化數(shù)據(jù)（如圖像、文本等）的問(wèn)題時(shí)，人工神經(jīng)網(wǎng)絡(luò)往往表現(xiàn)得比其他算法或框架更出色。但在有關(guān)中小型結(jié)構(gòu)/表格數(shù)據(jù)方面，基于決策樹(shù)的算法則是目前為止的最佳方式。請(qǐng)參閱以下圖表，了解幾年來(lái)基于決策樹(shù)的算法演變。
基于決策樹(shù)的算法演變
XGBoost算法最初由華盛頓大學(xué)的一個(gè)研究項(xiàng)目發(fā)展而來(lái)。2016年，陳天奇和卡洛斯·格斯特林在知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘（SIGKDD）會(huì)議上共同發(fā)表了一篇論文，一時(shí)間這轟動(dòng)了整個(gè)機(jī)器學(xué)習(xí)領(lǐng)域。自算法提出以來(lái)，它不僅幫助競(jìng)賽者贏得了多場(chǎng)Kaggle競(jìng)賽的勝利，還被幾款尖端行業(yè)的應(yīng)用所采納。在GitHub上，有一群強(qiáng)大的數(shù)據(jù)科學(xué)家們?yōu)閄GBoost開(kāi)源項(xiàng)目提供幫助，約有350名科學(xué)家，總提交次數(shù)約為3,600次。
總體而言，XGBoost具有以下特征：
1.應(yīng)用廣泛：可用于解決回歸、分類(lèi)、排名和用戶(hù)定義的預(yù)測(cè)問(wèn)題。
2.移植性強(qiáng)：可在Windows、Linux和OSX上流暢運(yùn)行。
3.語(yǔ)言支持：支持目前主要的全部編程語(yǔ)言，包括C++、Python、R、Java、Scala和Julia。
4.云集成：支持AWS、GCE、Azure和Yarn集群，可以與Flink、Spark和其他云數(shù)據(jù)流系統(tǒng)集成。
通俗理解基于決策樹(shù)的算法演變照片來(lái)自Unsplash（byrawpixel）
假設(shè)你是一名面試官，正在面試幾位資歷優(yōu)秀的候選人。基于決策樹(shù)的算法演變中的每一環(huán)，都可看作面試過(guò)程的一部分。
1.決策樹(shù)：每名面試官都有一套面試評(píng)價(jià)標(biāo)準(zhǔn)，如教育水平、工作經(jīng)驗(yàn)以及面試表現(xiàn)，通過(guò)決策樹(shù)來(lái)預(yù)測(cè)分析，就類(lèi)似于面試官根據(jù)他自己的標(biāo)準(zhǔn)面試候選人。
2.Bagging：假設(shè)現(xiàn)在面試官不止一名，而是一個(gè)面試小組，每名面試官都有一票，Bagging（也稱(chēng)作bootstrapaggregating）意味著通過(guò)民主投票方式，將所有面試官的投票結(jié)果進(jìn)行輸入，從而做出最終決定。
3.隨機(jī)森林：這是一種基于bagging的算法，與bagging的不同在于僅隨機(jī)選擇特征的子集。換句話(huà)說(shuō)，每名面試官只會(huì)根據(jù)某些隨機(jī)的資質(zhì)測(cè)試方式（例如，測(cè)試編程技能的技術(shù)面試和非技術(shù)技能評(píng)估的行為面試）來(lái)考查面試者。
4.Boosting：這是一種動(dòng)態(tài)評(píng)估方法，每位面試官根據(jù)前一位面試官的反饋，改變?cè)u(píng)估標(biāo)準(zhǔn)。通過(guò)部署更加動(dòng)態(tài)的評(píng)估流程，“提高”面試流程的效率。
5.GradientBoosting：這是Boosting的一種特殊情況，通過(guò)梯度下降算法將誤差最小化，打個(gè)比方說(shuō)，就好比戰(zhàn)略咨詢(xún)公司利用面試案例，剔除不合格的候選人。
6.XGBoost：將XGBoost視為強(qiáng)化版的的gradientboosting，畢竟extreme不是隨隨便便就能“冠”名的。它是軟件和硬件優(yōu)化技術(shù)的完美結(jié)合，可在最短的時(shí)間內(nèi)，使用較少的計(jì)算資源，得到較為出色的結(jié)果。
XGBoost為什么這么“絕”？XGBoost之所以能叫XGBoost，因?yàn)樗龎颉敖^”（夠Extreme）。XGBoost和GradientBoostingMachines（GBMs）都是基于決策樹(shù)的集合方法，通過(guò)梯度下降架構(gòu)來(lái)提升較弱學(xué)習(xí)者（通常是CARTs）。通過(guò)系統(tǒng)優(yōu)化和算法增強(qiáng)，XGBoost進(jìn)一步改進(jìn)了基礎(chǔ)GBM框架。
XGBoost如何優(yōu)化GBM標(biāo)準(zhǔn)算法系統(tǒng)優(yōu)化：
1.并行化：
XGBoost通過(guò)多線(xiàn)程實(shí)現(xiàn)了回歸樹(shù)的并行構(gòu)建。由于用于構(gòu)建基礎(chǔ)學(xué)習(xí)者的循環(huán)具有可互換性，因此設(shè)計(jì)并行是可能的。外部循環(huán)枚舉樹(shù)的節(jié)點(diǎn)，內(nèi)部循環(huán)則計(jì)算特征。這種循環(huán)嵌套在一定程度上限制了并行化，當(dāng)沒(méi)有完成內(nèi)部循環(huán)，外部循環(huán)就無(wú)法啟動(dòng)。因此，為改善運(yùn)行時(shí)間，可通過(guò)對(duì)所有實(shí)例的全局掃描實(shí)現(xiàn)初始化，使用并行線(xiàn)程分類(lèi)來(lái)交換循環(huán)順序。這一交換通過(guò)抵消計(jì)算中的并行化開(kāi)銷(xiāo)，提高算法性能。
2.決策樹(shù)剪枝：
當(dāng)剪枝分裂遇到一個(gè)負(fù)損失時(shí)，GBM會(huì)停止分裂。因此GBM實(shí)際上是一個(gè)貪心算法（只求達(dá)到局部最優(yōu)解就ok）。但XGBoost會(huì)一直分裂到指定的最大深度(max_depth)，然后回過(guò)頭來(lái)剪枝。這種“深度優(yōu)先”方法顯著提高了計(jì)算性能。
3.硬件優(yōu)化：
該算法旨在有效利用硬件資源。通過(guò)在每個(gè)線(xiàn)程中分配內(nèi)部緩沖區(qū)，存儲(chǔ)梯度統(tǒng)計(jì)信息，獲取緩存感知。諸如“核外”計(jì)算等進(jìn)一步增強(qiáng)功能可優(yōu)化可用磁盤(pán)空間，同時(shí)處理不適合保存的大數(shù)據(jù)幀。
算法增強(qiáng)：
1.正則化：
通過(guò)LASSO（L1）和Ridge（L2）正則化來(lái)對(duì)更為復(fù)雜的模型進(jìn)行懲罰，防止過(guò)度擬合。
2.稀疏性感知：
XGBoost具有稀疏性的離散特征，根據(jù)訓(xùn)練缺失自動(dòng)“學(xué)習(xí)”最佳缺失值，并且可以更有效率地處理數(shù)據(jù)中不同類(lèi)型的稀疏模式。
3.加權(quán)分位數(shù)草圖：
XGBoost采用分布式加權(quán)分位數(shù)草圖算法，有效地找到加權(quán)數(shù)據(jù)集中的最佳分裂點(diǎn)。
4.交叉驗(yàn)證：
在每次迭代時(shí)，該算法都有內(nèi)置的交叉驗(yàn)證方法，無(wú)需顯式地對(duì)搜索進(jìn)行編程或明確在指定單次運(yùn)行中所需的增強(qiáng)迭代數(shù)量。有何證據(jù)？我們使用Scikit-learn的“Make_Classification”數(shù)據(jù)包創(chuàng)建了一個(gè)包含20類(lèi)特征（2類(lèi)信息型和2類(lèi)冗余型）的100萬(wàn)個(gè)數(shù)據(jù)點(diǎn)的隨機(jī)樣本。我們測(cè)試了幾種算法，如邏輯回歸、隨機(jī)森林、標(biāo)準(zhǔn)GradientBoosting和XGBoost。
使用SKLearn的Make_Classification數(shù)據(jù)集比較XGBoos與其他機(jī)器學(xué)習(xí)算法如上圖所示，與其他算法相比，XGBoost模型是兼顧預(yù)測(cè)性能和處理時(shí)間的最佳預(yù)測(cè)方式。其他嚴(yán)格的基準(zhǔn)研究也產(chǎn)生相同結(jié)果。正因如此，XGBoost在最近的數(shù)據(jù)科學(xué)競(jìng)賽中被廣泛使用。如有疑問(wèn)，請(qǐng)使用XGBoost。——Kaggle網(wǎng)站上AvitoContextAdClickPrediction競(jìng)賽的獲獎(jiǎng)?wù)逴wenZhang
XGBoost的未來(lái)盡管就目前而言，XGBoost的王座還難以撼動(dòng)。但機(jī)器學(xué)習(xí)這一領(lǐng)域的學(xué)者大都比較活躍，而且不畏權(quán)貴，一心戀戰(zhàn)。目前已有幾種據(jù)說(shuō)可以匹敵XGBoost的新算法框架被提出，比如微軟研究中心新發(fā)布的LightGBM框架和YandexTechnology開(kāi)發(fā)的CatBoost框架。
圖片來(lái)源：RSGMedia網(wǎng)站
每當(dāng)NIPS/ICML/KDD等頂級(jí)會(huì)議上一有新的算法被提出，最忙活的可能就是數(shù)據(jù)科學(xué)家了。數(shù)據(jù)科學(xué)家們必須測(cè)試所有可能的數(shù)據(jù)算法，以保證最終選擇的算法是最佳的。
此外，選擇正確的算法還遠(yuǎn)遠(yuǎn)不夠，還必須通過(guò)不斷調(diào)整超參數(shù)，正確對(duì)算法數(shù)據(jù)集進(jìn)行配置。
此外，如何選擇最佳的算法還有其他幾個(gè)值得考慮的因素，例如算法的計(jì)算復(fù)雜度、可解釋性以及實(shí)現(xiàn)的難易程度。而這正是機(jī)器學(xué)習(xí)開(kāi)始從科學(xué)走向藝術(shù)的時(shí)刻。歷史的車(chē)輪總是在不斷向前滾動(dòng)。XGBoost的鐵王座早就被許多人覬覦垂涎，開(kāi)發(fā)一個(gè)優(yōu)于XGBoost的更強(qiáng)大的模型框架只是時(shí)間上的早晚問(wèn)題。然而，在強(qiáng)大的挑戰(zhàn)者出現(xiàn)之前，XGBoost將繼續(xù)統(tǒng)治機(jī)器學(xué)習(xí)的世界！
留言點(diǎn)贊關(guān)注
我們一起分享AI學(xué)習(xí)與發(fā)展的干貨
歡迎關(guān)注全平臺(tái)AI垂類(lèi)自媒體“讀芯術(shù)”
bootstrap本地安裝的優(yōu)點(diǎn)有哪些
1.本地安裝的優(yōu)點(diǎn)很多。2.首先，本地安裝可以提高開(kāi)發(fā)效率，因?yàn)椴恍枰看味紡木W(wǎng)絡(luò)上下載bootstrap，而是直接在本地調(diào)用，速度更快。其次，本地安裝可以避免網(wǎng)絡(luò)問(wèn)題，比如斷網(wǎng)或者網(wǎng)速慢等問(wèn)題，保證開(kāi)發(fā)的順利進(jìn)行。最后，本地安裝可以更好地保護(hù)代碼的安全性，因?yàn)椴恍枰獙⒋a上傳到網(wǎng)絡(luò)上，避免了被黑客攻擊或者泄露的風(fēng)險(xiǎn)。3.此外，本地安裝還可以方便地進(jìn)行定制化，因?yàn)榭梢愿鶕?jù)自己的需求選擇需要的組件和樣式，而不需要下載整個(gè)bootstrap庫(kù)。同時(shí)，本地安裝也方便了離線(xiàn)開(kāi)發(fā)和調(diào)試，可以在沒(méi)有網(wǎng)絡(luò)的情況下進(jìn)行開(kāi)發(fā)和測(cè)試。
bootstrap table怎樣自適應(yīng)內(nèi)容中的寬度
你好，要讓BootstrapTable自適應(yīng)內(nèi)容中的寬度，我們可以采取以下幾個(gè)步驟。
第一步，使用table-layout:auto樣式屬性，這樣可以根據(jù)列的寬度自動(dòng)設(shè)置每列的寬度。
第二步，可以使用百分比來(lái)設(shè)置每列的寬度，這樣可以自動(dòng)適應(yīng)不同設(shè)備的寬度。
第三步，可以使用data-width屬性來(lái)設(shè)置列的最小寬度，使表格不至于太過(guò)擁擠。最后，如果表格中的內(nèi)容比較長(zhǎng)，我們可以使用省略號(hào)來(lái)代表省略部分，這樣能更好地適應(yīng)屏幕寬度。希望對(duì)你有幫助。
框架里的bootstrap怎么調(diào)用
在框架中調(diào)用Bootstrap，通常需要使用框架提供的相關(guān)插件或庫(kù)來(lái)實(shí)現(xiàn)。以下是一些常見(jiàn)的方法：
使用框架提供的Bootstrap插件：許多框架都提供了Bootstrap插件，可以直接在框架中使用。例如，React框架中的ReactBootstrap庫(kù)，Vue框架中的VueBootstrap庫(kù)等。
引入Bootstrap文件并使用import引用：許多框架允許將Bootstrap文件作為單獨(dú)的文件引入，并在需要使用Bootstrap的地方使用import語(yǔ)句引用。例如，React框架中的importReactfrom'react';語(yǔ)句可以引入React庫(kù)并在組件中使用。
使用第三方庫(kù)或模塊化組件：如果您需要在框架中使用Bootstrap的某些功能或組件，可以考慮使用第三方庫(kù)或模塊化組件。例如，jQuery插件、Bootstrap.js模塊等。
總之，在框架中調(diào)用Bootstrap，需要先確定框架提供的相關(guān)插件或庫(kù)，然后選擇適合的方法進(jìn)行調(diào)用。
bootstrap5改變?cè)匚恢?/h3>
通過(guò)元素的margin進(jìn)行改變。
