發(fā)簡(jiǎn)信
IP屬地：浙江
-
模型效果上限預(yù)估太防、分類模型Bad Case分析方法
模型效果上限預(yù)估蝙云、分類模型Bad Case分析方法 給定訓(xùn)練和測(cè)試數(shù)據(jù)集，訓(xùn)練某個(gè)二分類模型（如滞造，GBDT算法）续室，我們通過(guò)交叉驗(yàn)證的方法得到了一...
-
機(jī)器學(xué)習(xí)模型交叉驗(yàn)證腳本
機(jī)器學(xué)習(xí)模型交叉驗(yàn)證腳本 本文以阿里云機(jī)器學(xué)習(xí)平臺(tái)上的 ps_smart （GBDT）算法為例，提供一個(gè)搜索最佳超參數(shù)的交叉驗(yàn)證任務(wù)的bash腳...
-
1天學(xué)會(huì)開(kāi)發(fā)工業(yè)級(jí)推薦系統(tǒng)的特征工程代碼:保姆級(jí)教程一谒养、推薦算法為何要精做特征工程 機(jī)器學(xué)習(xí)工作流就好比是一個(gè)廚師做菜的過(guò)程猎贴，簡(jiǎn)單來(lái)說(shuō)，清洗食材對(duì)應(yīng)了清洗數(shù)據(jù)蝴光，食材的去皮她渴、切片和搭配就對(duì)于了特征工...
-
工業(yè)級(jí)推薦系統(tǒng)中的特征工程摘要：深度學(xué)習(xí)時(shí)期，與CV蔑祟、語(yǔ)音趁耗、NLP領(lǐng)域不同，搜推廣場(chǎng)景下特征工程仍然對(duì)業(yè)務(wù)效果具有很大的影響疆虚，并且占據(jù)了算法工程師的很多精力苛败。數(shù)據(jù)決定了效...
-
推薦冷啟動(dòng)召回模型DropoutNet深度解析與改進(jìn)為什么需要冷啟動(dòng) 通常推薦系統(tǒng)通過(guò)協(xié)同過(guò)濾、矩陣分解或是深度學(xué)習(xí)模型來(lái)生成推薦候選集径簿，這些召回算法一般都依賴于用戶-物品行為矩陣罢屈。在真實(shí)的推薦系...
-
推薦模型離線評(píng)測(cè)效果好，線上效果卻不佳的原因在推薦算法領(lǐng)域篇亭，時(shí)常會(huì)出現(xiàn)模型離線評(píng)測(cè)效果好缠捌，比如AUC、準(zhǔn)召等指標(biāo)大漲译蒂，但上線后業(yè)務(wù)指標(biāo)效果不佳曼月，甚至下降的情況谊却，比如線上CTR或CVR下跌。...
-
推薦算法效果不佳時(shí)的檢查清單
有時(shí)候我們會(huì)遇到推薦算法上線之后哑芹，效果不如預(yù)期的情況炎辨。這種情況下，該如何改進(jìn)呢聪姿？ 下面就嘗試列出一些檢查清單碴萧，按照重要性的順序，建議從上往下依次...
-
多任務(wù)學(xué)習(xí)算法在推薦系統(tǒng)中的應(yīng)用粗略來(lái)看末购，推薦算法可以簡(jiǎn)單地分為召回和排序兩個(gè)階段破喻。召回模塊負(fù)責(zé)從海量的物品庫(kù)里挑選出用戶可能感興趣的物品子集，過(guò)濾之后通常返回幾百個(gè)物品招盲。排序...
-
全網(wǎng)最淺顯易懂的GBDT(xgboost)算法原理深入剖析梯度提升（Gradient boosting）是一種用于回歸低缩、分類和排序任務(wù)的技術(shù)，屬于Boosting算法族的一部分曹货。Boosting是一族可...