CoderBoom的博客

推荐系统-用户标签预测算法基础实践 1.用户画像概述 用户画像就是给到用户打标签 用户画像 用户角色 用户属性 用户画像和用户角色较为接近，而用户属性使用户的画像中的子集 用户画像阶段 1.用户画像基础 2.用户画像指标体系 3.标签数据存储方式 4.标签数据开发 5.性能优化及作业调度 6.用户画像应用及优化 用户画像基础场景用 搜索领域 个性化推荐领域 其他领域 个人征信数...

推荐系统-用户标签预测算法基础实践 1.泰坦尼克号获救人员识别实战 加强iris的代码实战(掌握) 代码版本一 : 未经过pca降温的X #1.进行数据的读入---导入数据 from sklearn.datasets import load_iris iris=load_iris() #2.对数据进行简单的统计分析和图形化的展示 print(iris.keys())#['data', 'tar...

GBDT&XGBoost&LightGBM的区别 GBDT ​ 梯度提升树是在提升树的基础上发展而来的一种适用范围更广的方法 , 当处理回归问题时 , 提升树可以看作是梯度提升树的特例(分类问题时不时特例) . 因为提升树在构建树的每一步的过程中都是去拟合上一步获得模型在训练集上的残差 . 这个残差正好是损失函数的梯度 , 对应于GBDT每一步要拟合的对象 . 主要思想 ​ 在...

解决数据不平衡问题方案 机器学习中不平衡数据集的工具箱 软件包：imbalanced-learn0.3.2 介绍文档：https://pypi.python.org/pypi/imbalanced-learn/ API文档：http://contrib.scikit-learn.org/imbalanced-learn/stable/ 详细API：http://contrib.scikit-lea...

Ctr点击率预估理论基础及项目实战 1.机器学习推荐算法模型回顾 召回(粗排) 利用业务规则结合机器学习推荐算法得到初始推荐结果，得到部分商品召回集 ALS\UserCF\ItemCF\FP-Growth\规则等方式召回 排序(精排) 1期：根据不同推荐位通过不同的模型得到推荐结果 2期：将推荐的所有结果通过Ctr或Cvr预估结果进行排序 GBDT\LR\GBDT+LR\FM()\FFM...

目标函数定义 : 1. GBDT(Gradient Boosting Decision Tree) Gradient Boosting是一种Boosting的方法 , 它的主要思想是每一次建立模型是在之前建立模型损失函数的梯度下降方向。损失函数式评价模型性能(一般为拟合程度+正则项) , 认为损失函数越小 , 性能越好 。而让损失函数持续下降 , 就能使得模型不断提升性能 , 其最好的方法就是使...