u012720552的专栏

slope one 协同过滤： 1.详细算法过程： 顾客 项目 A 项目 B 项目 C John 5 3 2 Mark 3 4 未评分 Lucy 未评分 2 5 dis(A-B)代表A的评分平均比B高出的值 so: dis(A-B)=((5-3)+(3-4))/2=0.5 dis(A-C)=(5-2)/1=3 w(A,B)代表A的评分向量和B的评分向量的元素取与交集，有评分数据时元素值true，未评分时false。 so: w(A,B)=2 w(A,C)=1 预测Lucy对A的评分ans。 Lucy-&gt

模型导出 save函数实现(关键代码) def raw_infer_fn(self): c_size = self.params["field_size"] features = { 'feat_ids': tf.placeholder(tf.int64, [None, c_size], name='feat_ids'), 'feat_vals': tf.placeholder(tf.float32, [None, c_size], name='feat_va

评估指标 评估指标用于反映模型效果，评估指标定义为模型预测结果f(X)f(X)f(X) 和 真实标注YYY的函数。  score=metric(f(X),Y)\ score = metric(f(X),Y) score=metric(f(X),Y) 分类指标 1.精准率和召回率 预测结果 预测结果 正（P） 负（N） 真实结果 正（P） TP FN 真实结果 负（N） FP TN TP(true positive): 真正例 FP(false posi

References [1]论文 [2]视频简介的youtube地址 [3]keras框架实现的开源地址

多任务模型 单任务模型 一个模型学习一个目标，不同模型享用独立的模型空间，不同模型之间没有连接，相互独立 多任务模型 一个模型学习多个目标，共享同一个模型空间 优势：相比于单任务模型，同时学习多个相关任务，多任务模型具有相当的优势。 例如：视频推荐中的例子把点击率、时长和完播率拆分出来，形成三个独立的训练目标，分别建立各自的Loss Function，作为对模型训练的监督和指导。 相关任务 （1）使用相同的特征做判断的任务 如果两个任务是处理输入的相同函数，但是在任务信号中加入独立的噪声，很明显这两个

周志华《机器学习》学习笔记——线性回归https://blog.youkuaiyun.com/liumingpei/article/details/78242972最小二乘法线性回归：矩阵视角https://zhuanlan.zhihu.com/p/33899560

史上最详细的XGBoost实战 【干货】 xgboost如何自定义eval_metric ( feval ) ？ XGBoost Documentation XGboost数据比赛实战之调参篇(完整流程)

Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras