qq_38016957的博客

大概内容1、解决数据不平衡的两个方式下采样（Undersampling）：随机删除具有足够观察多样本的类，以便数据中类的数量比较平衡。虽然这种方法非常简单，但很有可能删除的数据中可能包含有关预测的重要信息。过采样（Oversampling）：对于不平衡类（样本数少的类），随机地增加观测样本的数量，这些观测样本只是现有样本的副本，虽然增加了样本的数量，但过采样可能导致训练数据过拟合。合成取...

做了个房价预测的模型，其中数据预处理部分占了很多工作量，说一下其任务流程：（一）：分析数据指标不同指标对结果的影响*特征相关性连续值与离散值的情况*boxplot（二）：观察数据正太性(符合大部分人群的指标)如地皮面积很大，价格却很低，这是比较偏离普遍性的情况，通过观察正太分布分析数据是否满足正太分布*偏度*QQ图*正太分布图数据倾斜的处理*样本正太分...

1、差分.diff(1)一阶差分：pd[‘diff_1’] = pd[‘row’].diff(1) #对列数据做差分2、ACF和PACF的绘制importstatsmodels.api assmdef tsplot(y, lags=None, title=’’, figsize=(14, 8)):fig = plt.figure(figsize=figsize)layout = (...

推荐系统音乐数据处理基于商品相似性的推荐基于SVD矩阵分解的推荐1、数据概况：在数据中有用户，歌曲，播放量shape：(48373586, 3)memory usage: 1.1+ GB2、数据处理：（1）对每一个用户，分别统计他的播放总量key：用户value：播放量查询该用户是否在字典中，若在则更新value，否则新用户加入字典数据中会存在很多惰性用户，行为量...

surprise官网：http://surprise.readthedocs.io/en/stable/index.htmldateset：http://files.grouplens.org/datasets/movielens/ml-100k-README.txtfrom surprise import KNNBasic,SVDfrom surprise import Datasetf...

使用Tensorflow构造隐语义模型的推荐系统3900 个电影6,040个用户数据简介: http://files.grouplens.org/datasets/movielens/ml-1m-README.txt数据下载地址：http://files.grouplens.org/datasets/movielens/ml-1m.ziphttp://www.lfd.uci.edu/~g...

link创建一个Adaboost_Demonstration类：初始化参数：学习率，权重=1/Nclass Adaboost_Demonstration: def __init__(self, X, y, learning_rate=1.): """ 输入的X为N*2矩阵, y为一维向量, y的值只能取1或-1 :param X: 数据点...