發(fā)簡(jiǎn)信
IP屬地：江蘇
-
LightGBM論文翻譯及總結(jié)LightGBM 摘要 Gradient Boosting Decision Tree (GBDT)非常流行卻鮮有實(shí)現(xiàn)牲尺，只有像XGBoost和p...
-
Embeddingembedding：以較少的維度表示每個(gè)類別卦睹，并且還可以一定的表現(xiàn)出不同類別變量之間的關(guān)系 embedding的理解 4.1 word2vec:...
-
聚類：原型聚類速警、層次聚類帐偎、密度聚類首先介紹三種類型的聚類方法： 原型聚類：假設(shè)聚類結(jié)構(gòu)能夠通過(guò)一組原型求解蔗牡。通常算法先對(duì)原型進(jìn)行初始化痘煤，然后進(jìn)行迭代求解拨与。不同的原型表示哩治、不同的迭...
-
LR公式秃踩、推導(dǎo)、損失函數(shù)image-20200404101747244.pngimage-20200404101811276.png 對(duì)數(shù)幾率回歸的損失函數(shù)為:imag...
-
信息熵业筏、條件熵憔杨、相對(duì)熵、交叉熵自信息簡(jiǎn)單來(lái)說(shuō)蒜胖，自信息表述的是隨機(jī)變量的某個(gè)事件發(fā)生帶來(lái)的信息量（一個(gè)事件）image-20200403221749825.png 信息熵信息熵...
-
擬牛頓法的原理多元函數(shù)的泰勒展開式image-20200403212859301.png 牛頓法牛頓法是梯度下降法的進(jìn)一步發(fā)展消别，梯度利用目標(biāo)函數(shù)的一階偏導(dǎo)數(shù)信...
-
bagging和boosting及Adaboost的推導(dǎo)bagging： 對(duì)訓(xùn)練樣本進(jìn)行自助采樣抛蚤，產(chǎn)生若干個(gè)不同的子集，再?gòu)拿總€(gè)數(shù)據(jù)子集中訓(xùn)練出一個(gè)基學(xué)習(xí)器寻狂，再將這些基學(xué)習(xí)器進(jìn)行結(jié)合岁经。 Bagging...
-
XGBoost論文翻譯及總結(jié)XGBoost 摘要 提升樹是一種非常高效和廣泛應(yīng)用的機(jī)器學(xué)習(xí)算法。在這篇文章中蛇券，我們描述了一個(gè)名為XGBoost的可擴(kuò)展的端到端的提升樹模型缀壤，...
-
pandas 中rank函數(shù)在CTR比賽中，我們常常會(huì)使用“第幾次交互”纠亚、“倒數(shù)第幾次交互”等特征塘慕，這就需要使用到排序功能。rank函數(shù)極為方便蒂胞。 rank函數(shù)返回從小到大...