Step by step

原论文标题及链接：Deep Feature Synthesis: Towards Automating Data Science Endeavors说明：本文只会介绍论文中博主觉得重要的部分，想要了解更多内容的，建议阅读原论文哦！1. INTRODUCTION数据科学包含从数据中观察洞见，总结知识，以及导出预测模型。从原始数据中总结特征很大程度上依赖人，因为这常常是需要直觉的。最近深度学习...

原论文地址：CUSBoost: Cluster-based Under-sampling with Boosting for Imbalanced ClassificationAbstract普通的机器学习方法，对于非平衡数据分类，总是倾向于最大化占比多的类别的分类准确率，而把占比少的类别分类错误，但是，现实应用中，我们研究的问题，对于少数的类别却更加感兴趣。最近，处理非平衡数据分类问题的方法有：采

论文链接：Hybrid Subspace Learning for High-Dimensional Data1. Abstract2. Introduction3. Motivation4. Model5. Optimization6. Data experiments

论文地址：Early Stabilizing Feature Importance for TensorFlow Deep Neural Networks 博客里只给出一下论文中介绍的方法这一章节，论文中前面介绍了神经网络中特征重要性评估方法的背景与发展，感兴趣的可以去阅读原论文。3. APPROACH本研究提出了对于深度神经网络混合的特征排序算法，优势在于可以得到快速收敛稳定的特征重

前言： 文章主要的目的是介绍eBay所使用的一个贝叶斯网络的框架，博主通过阅读相关论文和源代码以及代码测试，慢慢熟悉了该框架的使用方法及主要思想。 本文将尽量的阐述清楚贝叶斯网络的解决过程，如果你还不知道贝叶斯网络是解决哪一类问题的，请查看：贝叶斯网络笔记。 如果你能通过阅读论文熟悉贝叶斯网络，请尽量阅读论文，因为论文里一般都有详细的解释和公式化的证明过程。而本文的重点并不在

原论文：Feature Selection for High-Dimensional Genomic Microarray Data介绍基因数据通常具有较高的维度，同时可用样本数少。不到100例维度为7000+的带标签的基因表达数据，如何对其建立分类模型？或者如何减少特征维度？通常，相比对高维数据直接建模，先减少特征维度后建模的方法具有更好的评估表现。论文提出了使用特征筛选的方法，该特征筛...

原论文地址：here，本文主要记录论文中重要的部分。AbstractCatBoost 中最主要的两个算法性的特点在于：实现了有序提升，排列驱动以代替经典算法；一种新颖的算法处理分类变量。这些方法旨在解决prediction shift（普遍存在于梯度提升算法中）。Introduction所有现存的梯度提升算法都存在统计学上的问题。经过多次提升的预测模型 FFF 依赖于训练样本的目标变量的。...

相关资源原论文地址：here论文中使用的深度生存分析库：DeepSurv，是基于Theano 和 Lasagne库实现的，支持训练网络模型，预测等功能。考虑到DeepSurv库中存在着一些错误以及未实现的功能，博主使用目前主流的深度学习框架Tensorflow实现了深度生存分析库：TFDeepSurv。欢迎有兴趣的同学Star和Fork，指出错误，相互交流！TFDeepSurv简介