机器不学习

在网上看到一篇对从代码层面理解gbdt比较好的文章，转载记录一下：       GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力（generali

准确率 召回率 覆盖率 平均流行度1.基于领域的算法a.基于用户的协同过滤算法 --- 计算复杂度比较高   步骤：1.找到和目标用户兴趣相似的用户集合-----统计当前用户中的物品类似的              2.找到这个集合汇总用户喜欢，并且目标用户没有听说的物品推荐给目标用户    计算u和v的兴趣相似度jaccard公式（交/并）和预先相似度()b.基于物品的协

数据：自于日志，人工进行分类。Feature Analysis1.Number of terms in the query (nterms),2.Number of clicks in query sessions(nclicks),a significant number of navigational queries concentrates only a few clicks p

二元逻辑回归(Logistic Regression, LR)模型几率(odds:对数形式：基于LR的点击率预测Where, x代表一个(query, ad)对应的特征向量, y 属于{1,0}分别代表点击和不点击，p(y=1|x)就代 表给定query下，某ad的点击率点击率预测特征广告创意特征：图片，标题文字，价格，销量 推广商品所属

特征值分解如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式： 这时候λ就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。特征值分解是将一个矩阵分解成下面的形式： 其中Q是这个矩阵A的特征向量组成的矩阵，Σ是一个对角阵，每一个对角线上的元素就是一个特征值。我这里引用了一些参考文献中的内容来说明一下。首先，要明确的是，一个矩阵其实就是

以MovieLens电影推荐为例，SVD(Singular Value Decomposition)的想法是根据已有的评分情况，分析出评分者对各个因子的喜好程度以及电影包含各个因子的程度，最后再反过来根据分析结果。使用SVD对问题进行建模SVD的想法抽象点来看就是将一个N行M列的评分矩阵R（R[u][i]代表第u个用户对第i个物品的评分），分解成一个N行F列的用户因子矩阵P（P[u][k]表示用户u

数据集字段： 1.User_id: 用户ID 2.Item_id: 物品ID 3.preference:用户对该物品的评分 算法的思想： 1． 建立物品的同现矩阵A，即统计两两物品同时出现的次数. 数据格式：Item_id1:Item_id2 次数 2． 建立用户对物品的评分矩阵B，即每一个用户对某一物品的评分. 数据格式：Item_id user_i

基于用户的 CF（User CF）基于用户的 CF 的基本思想相当简单，基于用户对物品的偏好找到相邻邻居用户，然后将邻居用户喜欢的推荐给当前用户。计算上，就是将一个用户对所有物品的偏好作为一个向量 来计算用户之间的相似度，找到 K 邻居后，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表作为推荐。图 2 给出了一个例子，对于用户 A，根据用户的历

一.协同过滤算法基于用户的协同过滤算法：这种算法最大的问题如何判断并量化两人的相似性，思路是这样 例子： 有3首歌放在那里，《最炫民族风》，《晴天》，《Hero》。 A君，收藏了《最炫民族风》，而遇到《晴天》，《Hero》则总是跳过； B君，经常单曲循环《最炫民族风》，《晴天》会播放完，《Hero》则拉黑了 C君，拉黑了《最炫民族风》，而《晴天》《Hero》都收藏了。 我们都看出来了，A