在IPad上整理了GBDT的笔记

最新推荐文章于 2025-08-10 21:28:09 发布
最新推荐文章于 2025-08-10 21:28:09 发布
阅读量131 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Machine Learning 文章标签： Mapreduce 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/run_xiao2000/article/details/83884554
作者分享了关于使用MapReduce实现GBDT算法的想法。在iPad上整理算法笔记的过程中，作者产生了将这两种技术结合的想法，并初步形成了实现思路。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

晚上闲来无聊，趟床上用IPad整理了GBDT原理的笔记，在IPad上输入真是件痛苦的事情。

 

最近一直在考虑能否用MapReduce实现GBDT算法，大体思路有了，但还不够清晰。

 

搜索系统（一）
GavinKai
03-20 1657
如果整体策略对于不可省词的识别有误，将会对召回造成极大的伤害，例如 “澳大利亚xx村庄大火”，如果不可省词是“澳大利亚 xx村庄 大火”，有可能损失 “澳大利亚 大火”的好结果，因此我们在查询变换链条的最后一个环节，会有激进省词的逻辑，激进省词诉求是尝试更多的“不可省词”组合，试图召回几条好结果。词的变形问题：汉语中的动词和形容词有些可以产生变形结构，如“打牌”、“开心”、“看见”、“相信”可能变形成“打打牌”、“开开心”、“看没看见”、“相不相信”等，它们可以被切出“打打/牌”，但“开开/心”就不合理；
2021我的互联网秋招算法岗总结
zenRRan的博客
11-18 592
点击上方，选择星标或置顶，每天给你送干货！阅读大概需要14分钟跟随小博主，每天进步一丢丢作者 | 对白编辑| AINLP个人简介 | 清华大学，工学硕士在读原文链接，点击文末阅读原文直...
2021届校招求职计划、总结
hungryfoolisher的博客
06-14 4661
对校招求职历程进行记录。
adboost、gbdt、xgboost学习笔记
05-17
GBDT（Gradient Boosting Decision Tree）是一种基于决策树的boosting算法，由Jerome Friedman在1999年提出。它的主要思想是将多个决策树组合成一个强分类器。GBDT的工作流程是： 1. 初始化一个训练集，然后训练一...
机器学习实践-使用GBDT、KNN、SVM算法在Kaggle的GiveMeSomeCredit数据集上进行建模分析
06-21
机器学习实践——使用GBDT、KNN、SVM算法在Kaggle的GiveMeSomeCredit数据集上进行建模分析，资源含源码和数据集文件 机器学习实践——使用GBDT、KNN、SVM算法在Kaggle的GiveMeSomeCredit数据集上进行建模分析，资源...
GBDT+LR预测CTR经典论文阅读笔记1
08-03
在GBDT构造出的新特征基础上，LR可以更好地理解这些特征的相对重要性，同时，由于LR支持在线学习，能快速适应新数据，适合处理Facebook这样的大规模实时环境。 3. **模型结构**： 模型由两部分组成：首先，GBDT...
梯度提升树和Logistic回归（GBDT+LR）在Spark上的混合模型.zip
03-31
本文将详细探讨在Spark上实现GBDT和LR的混合模型。 首先，我们来看梯度提升树（GBT）。它是一种迭代的决策树算法，通过不断学习弱预测器（通常是决策树）的残差来逐步提升模型的预测能力。每个新树都试图最小化前一...
Python实现GBDT时间序列预测（完整源码和数据)
04-05
1.Python实现GBDT时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数可方便更改、代码编程思路清晰...
蓝桥杯算法之搜索章 - 3
qiuyunoqy的博客
08-07 1029
以上便是我们剪枝与优化的一部分内容了，我们还有一个记忆化搜索的内容在之后的文章。方便即时看到后续内容，如果以上部分有什么地方有问题的可以私信博主或者在评论一下。希望大家能够有所收获！
Java，八股，cv，算法——双非研0四修之路day27
qq3094554285的博客
08-07 1143
redis实践总结，JVM底层原理学习，快速回顾了一下mysql的基础篇，算法：二叉树的最大深度，二叉树的最小深度，完全二叉树节点的数量，平衡二叉树
数组指针-函数指针-回调函数
SixLegs的博客
08-07 1107
内存会划分为一个个的内存单元，每个内存单元都有一个独立的编号 - 编号也称为地址。地址在C语言中也被称为指针。指针（地址）需要存储起来 - 存储到变量中，这个变量也就被称为指针变量。指针的大小根据32位平台或64位平台固定是4/8个字节。地址是物理的电线上产生。32位机器 - 32根地址线 - 1/032个0/1组成的二进制序列，把这个二进制序列就作为地址，32个bit位才能存储这个地址，也就是需要4个字节才能存储。所以指针变量的大小就是4个字节。
机械学习--DBSCAN 算法（附实战案例）
最新发布
enlybbq的博客
08-10 745
聚类效果：DBSCAN 成功将啤酒分为 3 个有意义的簇（常规啤酒、轻量啤酒、高端啤酒），并识别出 4 种特征异常的啤酒（噪声点），符合实际产品分类逻辑。参数影响：ε=0.6 和 MinPts=5 的组合效果较好，若 ε 增大，可能将噪声点划入簇；若 MinPts 增大，可能导致簇分裂为更多小簇。应用价值：该结果可辅助啤酒企业定位产品市场、优化产品线，或为消费者提供基于特征的选购参考。
非机动车识别mAP↑28%！陌讯多模态融合算法在智慧交通的实战解析
2501_92472966的博客
08-06 751
陌讯多模态融合算法显著提升非机动车识别性能，在边缘计算设备上实现mAP@0.5达89.1%，较基线提升28%。该方案通过偏振特征增强、HDR补偿等技术有效解决强光/逆光等复杂场景识别难题，使小目标识别率提升46.1%，早晚高峰漏检率降低85.3%。同时提供INT8量化等边缘部署优化方案，内存占用减少60%且保持精度损失<0.5%。实测数据表明，该技术可显著提升智慧交通场景下的非机动车识别准确率。
无人机开发分享——基于行为树的无人机集群机载自主决策算法框架搭建及开发
Vesan的博客
08-06 593
* 在之前的开发分享中，我们分享了机载端开发任务管理、协同控制、无人机平台接口等一系列模块软件，但是要想实现真正的无人机高度智能化，机载的自主决策模块功能必不可少。机载自主决策模块主要实现无人机集群任务过程中地面任务获取分析、战场实时态势分析与自主决策，可在断连或自主模式时对作业中的无人机集群进行决策与控制，减少地面交互，提升任务效率。下面我们对机载自主决策模块的开发进行介绍。**
排序概念、插入排序及希尔排序
2503_92099422的博客
08-09 719
c.虽然很多算法本身具有稳定或不稳定排序性质但是任何排序只要稍作修改就可以修改稳定性，例如在冒泡排序中判断交换顺序的依据是if(a>b)只要变成if(a>=b)就可以破坏稳定性。2.内部排序和外部排序：待排序数据可以一次性载入到内存中为内部排序，反之数据量过大就是外部排序。3.稳定排序：排序前后序列中键值相等的元素在相对位置不发生变化的就是稳定排序。就地排序只是在原数组空间进行排序处理，也就是输入的数组和得到的数组是同一个。3.如果待排序的元素，已经有序，只有极个别的元素是无序,插入速度较快。
NOIP普及组|2001T1数的计算
程序员莫小特的编程世界
08-09 1948
2001年NOIP普及组第1题：数的计算 给出正整数 $n$，要求按如下方式构造数列： 1、只有一个数 $n$ 的数列是一个合法的数列。 2、在一个合法的数列的末尾加入一个正整数，但是这个正整数不能超过该数列最后一项的一半，可以得到一个新的合法数列。
[优选算法专题一双指针——两数之和]（双指针和哈希表）
2401_83386596的博客
08-07 939
存储已经遍历过的元素及其下标，通过一次遍历就能找到答案，避免了暴力解法的二次循环。的特性，通过两个指针从两端向中间移动，快速定位符合条件的两个数，时间复杂度为。如果是无序的，这里我们可以使用哈希表来解决！（n 为数组长度），空间复杂度为。为例，详细演示代码的执行过程。：输入的数组numbers是。这个解法的核心是利用。在这个例子中，数组中。时间复杂度为 O(n)，比哈希表解法更优。
微算法科技(NASDAQ：MLGO)利用集成学习方法，实现更低成本、更稳健的区块链虚拟货币交易价格预测
MicroTech2025的博客
08-07 377
对原始特征进行变换和组合，例如计算价格的移动平均线、交易量的增长率等，以提取更有价值的特征信息。同时，对一些高维度的特征进行降维处理，如采用主成分分析（PCA）方法，将相关性较高的特征进行合并，降低特征空间的维度，提高模型的计算效率和泛化能力。微算法科技(NASDAQ：MLGO)利用集成学习方法实现更低成本、更稳健的区块链虚拟货币交易价格预测,通过组合多个基学习器并利用Stacking等集成策略，微算法科技的模型能够更准确地捕捉市场动态和价格趋势，为投资者提供更加可靠和稳健的预测结果。
希尔排序：高效插入排序的进阶之道
ATaylorSu的博客
08-06 851
希尔排序是插入排序的改进版本，通过引入递减增量序列实现高效排序。它先将数组按较大间隔分组排序，再逐步缩小间隔直至1退化为标准插入排序。核心思想是利用分组预排序使数组接近有序，大幅提升最终插入排序效率。文中详细展示了排序过程，比较了不同增量序列的优劣，并提供了C++实现代码。作为不稳定排序算法，希尔排序平均时间复杂度优于直接插入排序，适合中等规模数据排序。
GBDT与LR结合推荐算法在TensorFlow上的实现
在实际应用中，使用GBDT+LR的模型组合可以发挥两者的优势：GBDT在特征提取方面的高效性，以及LR模型在概率预测方面的简洁性。这种模型组合特别适合处理推荐系统中的大数据集，因为GBDT可以很好地处理大规模的稀疏...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值