data_curd的博客

import pandas as pdfrom sklearn.tree import DecisionTreeClassifierimport matplotlib.pyplot as pltfrom sklearn.model_selection import GridSearchCV, train_test_split, cross_val_scoreimport numpy as np# 使用分类树模型预测那些人可能称为幸存者，主要是分类树data = pd.read_csv(r"D:

问题1，集成学习风哪几种，他们都有何种异同？？？？第一种：BootingBoosting方法训练基分类器时采用串行的方式，各分类器之间有依赖，基本思路是将基分类器层层叠加，每一次在训练的时候，对前一层基分类器分错样本，给与更高的权重，测试时，根据各层分类器的结果的加权得到最终结果第二种：BaggingBagging方法训练过程中，各基分类器之间无强依赖，可以进行并行训练，其中很著名的算法之一是基于决策树基分类器的随机森林，为了让基分类器之间相互独立，将训练集分为若干个子集，Bagging方法

在机器学习中，我们通常把样本分为训练集和测试集，训练集用于训练模型，测试集用于评估模型，在样本划分和模型验证的过程中，存在着不同的抽样方法和验证方法，问题1，在模型评估过程中，有那些主要的验证方法，他们的优缺点是什么？？？？Holdout检验：是最简单也是最直接的验证方法，它将原始的样本集合随即划分训练集和测试即两部分，但是缺点很明显，即在验证集上计算出来的最后评估指标与原始分组有很大关系，为了消除随机性，研究者们引入了交叉检验的思想。交叉检验：k-fold交叉检验：首先将全部样本划分成k个大小相

在对模型进行过充分的离线评估之后，为什么还要进行在线 A/B测试？？？？1、离线评估无法完全消除模型过拟合的影响，因此，得出的离线评估结果无法替代线上评估结果2、离线评估无法完全还原线上的工程环境，一般来讲，离线评估往往不会考虑线上环境的延迟，数据丢失，标签数据缺失等情况，因此，离线评估的结果是理想工程环境下的结果3、线上系统的某些商业指标在离线评估中无法计算。离线评估往往关注的是ROC曲线，P-R曲线等的改进，而线上评估可以全面了解该推荐算法带来的用户点击率，留存时长，PV访问量等的变化，如

在机器学习问题中，通常将特征表示为向量的形式，所以在分析两个特征向量之间的相似性时，宠用余弦相似度来表示。余弦相似度的取值范围时[-1,1],相同的两个向量之间的相似度为1，如果希望得到类似的距离的表示，将1减去余弦相似度即为余弦距离，因此，宇轩距离的取值范围为[0,2],相同两个向量余弦相似度为0.为什么在一些场景中要使用余弦相似度而不是欧氏距离呢？？？对于两个向量A和B，其余弦相似度定义为：即两个向量的夹角的余弦，关注的是向量之间的角度关系，并不关心他们的绝对大小，其取值范围是[-1,1]。.

wide&deep模型：深度加宽度的模型范式，本身并不是一个具体的模型，wide和deep部分可以用任意结构框架，wide的baseline是LR模型，deep的baseline是MLP模型(MLP指多层感知器，是一种签祥结构的人工沉静网络，映射一组输入向量到一组输出向量)面试时会问这种不起眼的问题：1、wide&deep模型是谁提出来的？那一年提出来的？你在哪知道这个模型的？回答：wide&deep是由谷歌16年6月左右提出来的，2、wide&deep中感觉wide

直奔主题：import numpy as npimport pandas as pddata = pd.read_csv(r"iris.csv")# 删除不需要的列# 用drop可以删除一个字段，或者删除多个字段# axis 为1表示列，为0表示行# inplace = True 表示在现在这个数据源上修改结果，也称：就地修改data.drop(["class"],axis = 1, inplace=True)# 删除重复的记录data.drop_duplicates(inplace

直奔主题：import numpy as npimport pandas as pd#读取燕尾花数据集，header参数来指定标题的行，默认为0，如果没有标题，则使用Nonedata = pd.read_csv(r"iris.csv")#显示前N行记录，默认值为5#data.head(150)#显示末尾的N行记录，默认值为5#data.tail(10)#随机抽取数据，默认为1行#data.sample(100)#修改样本的类型，data["class"] = data["class