<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[betterzl的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/betterzl</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; betterzl]]></copyright><item><title><![CDATA[pip报错Read timed out的解决办法]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/117128119</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/117128119</guid><author>betterzl</author><pubDate>Fri, 21 May 2021 17:05:38 +0800</pubDate><description><![CDATA[​报错最后一行信息如下：
pip._vendor.urllib3.exceptions.ReadTimeoutError: HTTPSConnectionPool(host='files.pythonhosted.org', port=443): Read timed out.

解决办法如下：
pip --default-timeout=100 install (package)

或
pip install --default-timeout=100  (package：需要安装的包名)


...]]></description><category></category></item><item><title><![CDATA[pip报错No module named ‘pip‘的解决方法]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/117127920</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/117127920</guid><author>betterzl</author><pubDate>Fri, 21 May 2021 17:00:45 +0800</pubDate><description><![CDATA[使用管理员权限打开cmd命令窗口
打开后，先执行第一条命令：python -m ensurepip
成功后，再输入第二条命令：python -m pip install --upgrade pip


]]></description><category></category></item><item><title><![CDATA[windows下redis启动失败]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/115716797</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/115716797</guid><author>betterzl</author><pubDate>Thu, 15 Apr 2021 10:13:57 +0800</pubDate><description><![CDATA[windows redis 连接错误 Creating Server TCP listening socket 127.0.0.1:637 9: bind: No error

&gt; Redis-cli.exe
&gt; shutdown
&gt; exit


redis 中执行 shutdown 命令错误 (error) NOAUTH Authentication required.

&gt; auth "yourpassword"


]]></description><category></category></item><item><title><![CDATA[实例-基于内容推荐]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/114276139</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/114276139</guid><author>betterzl</author><pubDate>Tue, 02 Mar 2021 09:12:39 +0800</pubDate><description><![CDATA[点击查看我的知乎专栏：推荐搜索广告
本文以文章推荐为例，编写一个推荐系统，应用基于内容推荐算法解决问题。

实现过程
基于内容推荐的过程一般包括以下三步：

1、给出物品表示：为每个物品抽取出一些特征来表示此物品；
2、学习用户偏好：利用一个用户过去喜欢（及不喜欢）的物品的特征数据，来学习出此用户偏好；
3、生成推荐列表：根据候选物品表示和用户偏好，为该用户生成其最可能感兴趣的 n 个物品。

注：有关基于内容推荐的基本理论框架可参见之前的文章《推荐算法分类：协同过滤推荐、基于内容推荐、基于知识推荐、混合推]]></description><category></category></item><item><title><![CDATA[推荐算法分类：协同过滤推荐、基于内容推荐、基于知识推荐、混合推荐]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/113876493</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/113876493</guid><author>betterzl</author><pubDate>Sat, 20 Feb 2021 09:29:16 +0800</pubDate><description><![CDATA[点击查看我的知乎文章：https://zhuanlan.zhihu.com/p/351493402

]]></description><category></category></item><item><title><![CDATA[推荐算法三视角：矩阵、图、时间线]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/113725781</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/113725781</guid><author>betterzl</author><pubDate>Sat, 06 Feb 2021 14:52:23 +0800</pubDate><description><![CDATA[点击查看我的知乎文章：https://zhuanlan.zhihu.com/p/349653244

]]></description><category></category></item><item><title><![CDATA[深度学习推荐模型进化之路]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/113725755</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/113725755</guid><author>betterzl</author><pubDate>Sat, 06 Feb 2021 14:50:27 +0800</pubDate><description><![CDATA[点击查看我的知乎文章：https://zhuanlan.zhihu.com/p/348769204

]]></description><category></category></item><item><title><![CDATA[传统推荐模型进化之路]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/113113052</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/113113052</guid><author>betterzl</author><pubDate>Mon, 25 Jan 2021 14:51:14 +0800</pubDate><description><![CDATA[点击查看我的知乎文章：https://zhuanlan.zhihu.com/p/346152598

]]></description><category></category></item><item><title><![CDATA[分类与回归的本质区别]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/111151196</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/111151196</guid><author>betterzl</author><pubDate>Mon, 14 Dec 2020 14:52:21 +0800</pubDate><description><![CDATA[目录从 training 角度来看，分类与回归的本质区别在于输出空间是否为一个度量空间，即目标函数不同从 prediction 角度来看，分类模型与回归模型本质一样，分类模型可将回归模型的输出离散化（下面例子 1、2、4、5），回归模型也可将分类模型的输出连续化（下面例子 3）
从 training 角度来看，分类与回归的本质区别在于输出空间是否为一个度量空间，即目标函数不同
回归问题与分类问题本质上都是要建立映射关系：f(x)→y,x∈A,y∈Bf(x) \rightarrow y,x \in A,y \]]></description><category></category></item><item><title><![CDATA[CTR预估中GBDT与LR融合方案]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/110850480</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/110850480</guid><author>betterzl</author><pubDate>Tue, 08 Dec 2020 10:59:21 +0800</pubDate><description><![CDATA[目录1、背景2、 GBDT与LR融合现状3、GBDT与LR融合方案参考文献
1、背景
CTR预估（Click-Through Rate Prediction）是互联网计算广告中的关键环节，预估准确性直接影响公司广告收入。
CTR预估中用的最多的模型是LR（Logistic Regression），LR是广义线性模型，与传统线性模型相比，LR使用了Logit变换将函数值映射到0~1区间，映射后的函数值就是CTR的预估值。LR这种线性模型很容易并行化，处理上亿条训练样本不是问题，但线性模型学习能力有限，需要大量]]></description><category></category></item><item><title><![CDATA[CART/GBDT]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/110387329</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/110387329</guid><author>betterzl</author><pubDate>Tue, 08 Dec 2020 09:19:52 +0800</pubDate><description><![CDATA[目录CART（Classification And Regression Tree）
CART（Classification And Regression Tree）
CART是决策树的一种，并且是非常重要的决策树。顾名思义，CART算法既可以用于创建分类树（Classification Tree），也可以用于创建回归树（Regression Tree）、模型树（Model Tree），两者在建树的过程稍有差异。CART是二叉树。
1、CART作为分类树
CART作为分类树时，特征属性可以是连续类型也可以是]]></description><category></category></item><item><title><![CDATA[线性和非线性]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/110820909</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/110820909</guid><author>betterzl</author><pubDate>Mon, 07 Dec 2020 16:24:02 +0800</pubDate><description><![CDATA[目录从数学领域解释从实际解释
从数学领域解释
在数学领域，只有加法和数乘的就是线性的。除了线性的就都是非线性的。数学公式如下：




举例说明：

故事一：
一个工人给线性公司打工，干一天活挣100元，干两天挣200元，干三天挣300元，干四天挣400元。。。干n天挣n*100元。
还是同一个工人，给非线性公司打工，干一天活挣100元，干两天挣200元，干三天挣400元，干四天挣800元。。。这是遇到好的，遇到不好的非线性公司，干一天活挣100元，干两天挣10元，干三天挣1元。。。
故事二：
丈夫一个人干]]></description><category></category></item><item><title><![CDATA[内容的标记（分类/标签）]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/110791047</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/110791047</guid><author>betterzl</author><pubDate>Mon, 07 Dec 2020 10:41:27 +0800</pubDate><description><![CDATA[目录为什么给内容“做标记”标记方法 —— 分类、标签分类和标签的联系与区别如何运用标记如何标记内容参考链接
内容需要“做标记”，如同长江第一大桥在武汉一样。互联网时代，面对充斥满屏幕等待挑选的信息，如果能按属性和内容特征筛选信息，无疑是磨刀不误砍柴工。
标记内容目前有两种方式，一个是分类，另外一个是打标签。
为什么给内容“做标记”
因为我们要找东西，一切我们认为有用的东西。

方便识别
当一则“内容”出现在我们面前，我们首先需要识别它。不管是否需要深入关注，只要是我们主动或被动地接触到内容后，我们就不得不去]]></description><category></category></item><item><title><![CDATA[推荐系统的评估方法]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/110420307</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/110420307</guid><author>betterzl</author><pubDate>Tue, 01 Dec 2020 13:47:36 +0800</pubDate><description><![CDATA[目录离线评估的主要方法Holdout检验交叉检验K 折交叉验证留一验证自助法离线评估的主要指标准确率精确率、召回率、F1-score均方根误差、平均绝对百分比误差对数损失函数直接评估推荐序列的离线指标P-R曲线、BEP、F1ROC曲线、AUCA/B测试与线上评估附录一：混淆矩阵附录二：ROC曲线相比P-R曲线有什么特点?如何选择？ROC曲线相比P-R曲线有什么特点?如何选择？
离线评估的主要方法
Holdout检验
Holdout检验是基础的离线评估方法，它将原始的样本集合随机划分为训练集和验证集两部分，比]]></description><category></category></item><item><title><![CDATA[CART/ID3/C4.5]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/110382808</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/110382808</guid><author>betterzl</author><pubDate>Mon, 30 Nov 2020 14:15:14 +0800</pubDate><description><![CDATA[目录相同点不同点提出时间样本数据样本数据——缺失值样本数据——连续值样本数据——样本量样本特征样本特征——使用次数样本特征——划分标准叉数剪枝策略应用场景优缺点
CART和C4.5之间主要差异在于分类结果上，CART可以回归分析也可以分类，C4.5只能做分类；C4.5子节点是可以多分的，而CART是无数个二叉子节点；
以此拓展出以CART为基础的“树群”random forest ， 以回归树为基础的“树群”GBDT
相同点
均由特征选择，树的生成，剪枝组成。
不同点
提出时间
1979，1986年提出的I]]></description><category></category></item><item><title><![CDATA[userCF/itemCF/CB]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/110191623</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/110191623</guid><author>betterzl</author><pubDate>Thu, 26 Nov 2020 15:48:22 +0800</pubDate><description><![CDATA[链接: RecommenderSystem_userCF-itemCF-CB

]]></description><category></category></item><item><title><![CDATA[flask资料]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/110047164</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/110047164</guid><author>betterzl</author><pubDate>Tue, 24 Nov 2020 10:37:44 +0800</pubDate><description><![CDATA[链接：flask 官网

]]></description><category></category></item><item><title><![CDATA[文本相似度(TF-IDF)]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/109983541</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/109983541</guid><author>betterzl</author><pubDate>Mon, 23 Nov 2020 10:09:45 +0800</pubDate><description><![CDATA[目录理论：文本相似度(TF-IDF)实践：利用TF-IDF计算相似文章参考链接
理论：文本相似度(TF-IDF)
我们在比较事物时，往往会用到“不同”，“一样”，“相似”等词语，这些词语背后都涉及到一个动作——双方的比较。只有通过比较才能得出结论，究竟是相同还是不同。但是万物真的有这么极端的区分吗？在我看来不是的，生活中通过“相似度”这词来描述可能会更加准确。比如男人和女人，虽然生理器官和可能思想有些不同，但也有相同的地方，那就是都是人，就是说相似度不为0；比如石头与小草，它们对于虚拟类都是一种实体类，相似]]></description><category></category></item><item><title><![CDATA[菜鸟全栈在恶补]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/109637879</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/109637879</guid><author>betterzl</author><pubDate>Thu, 12 Nov 2020 15:20:57 +0800</pubDate><description><![CDATA[菜鸟全栈在恶补Web 开发者路线图前端后端Flask + Vue JS TemplatePython全栈路线图Python全栈工程师前端Python全栈工程师后端Python Linux运维自动化开发Python KaliLinux信息安全开发与使用Python数据分析阶段Python人工智能阶段Python树莓派物联网阶段未完待续
Web 开发者路线图
相关链接: 2018 年 Web 开发者路线图：最全的教程、资源和在线课程
前端

后端

Flask + Vue JS Template
相关链接: F]]></description><category></category></item><item><title><![CDATA[pandas.DataFrame.notnull 返回非空值]]></title><link>https://blog.youkuaiyun.com/betterzl/article/details/109021025</link><guid>https://blog.youkuaiyun.com/betterzl/article/details/109021025</guid><author>betterzl</author><pubDate>Mon, 12 Oct 2020 09:05:43 +0800</pubDate><description><![CDATA[]]></description><category></category></item></channel></rss>