从网上看到一个关于该算法的小结，说的不错 转载自：http://hi.baidu.com/hehehehello/blog/item/b2d09752cbda41140df3e35e .html 1）为了建树时计算均方差，GBDT是对每个分类单独生成一个对连续值划分的决策树

今天的会议包括facebook的石言心，hulu的项亮，腾讯的王益以及百度的刘其文，具体报告信息可以参见：http://www.resyschina.com/2012/ 石言心报告有价值的内容很多，报告的标题虽然是"facebook推荐系统“，但更多的却是与广告系统的内容。报告的分享很有条理，重点说下自己印象比较深刻的内容： * 特征的选择 离线特征：包括user的demograph

转载自：http://www.blogjava.net/zhenandaci/archive/2009/03/01/257237.html 让我再一次比较完整的重复一下我们要解决的问题：我们有属于两个类别的样本点（并不限定这些点在二维空间中）若干，如图， 圆

转载自 http://www.blogjava.net/zhenandaci/archive/2009/02/14/254630.html 从最一般的定义上说，一个求最小值的问题就是一个优化问题（也叫寻优问题，更文绉绉的叫法是规划——Programming），它同样由两

转载自： http://www.blogjava.net/zhenandaci/archive/2009/03/26/262113.html 从 SVM的那几张图可以看出来，SVM是一种典型的两类分类器，即它只回答属于正类还是负类的问题。而现实中要解决的问题，往往是多类

转载自 http://www.blogjava.net/zhenandaci/archive/2009/03/15/259786.html 现在我们已经把一个本来线性不可分的文本分类问题，通过映射到高维空间而变成了线性可分的。就像下图这样：   圆形和方形

转载自 http://www.blogjava.net/zhenandaci/archive/2009/03/06/258288.html 生存？还是毁灭？——哈姆雷特 可分？还是不可分？——支持向量机 之前一直在讨论的线性分类器,器如其名（汗，这是什么说法啊）

转载自 http://www.blogjava.net/zhenandaci/archive/2009/03/17/260315.html 接下来要说的东西其实不是松弛变量本身，但由于是为了使用松弛变量才引入的，因此放在这里也算合适，那就是惩罚因子C。回头看一眼引入了松

从网上看到的，写的非常浅显易懂，非常适合SVM入门 转载自：http://www.blogjava.net/zhenandaci/archive/2009/02/13/254519.html （一）SVM的八股简介 支持向量机(Support VectorMachine)是

转载自 http://www.blogjava.net/zhenandaci/archive/2009/02/13/254578.html 上节说到我们有了一个线性分类函数，也有了判断解优劣的标准——即有了优化的目标，这个目标就是最大化几何间隔，但是看过一些关于SVM的