aaHua_

On the User Behavior Leakage from Recommender System Exposure

FPL

hmmlearn实现了三种HMM模型类，按照观测状态是连续状态还是离散状态，可以分为两类。GaussianHMM和GMMHMM是连续观测状态的HMM模型，而MultinomialHMM是离散观测状态的模型，也是我们在HMM原理系列篇里面使用的模型。 对于MultinomialHMM的模型，使用比较简单，"startprob_"参数对应我们的隐藏状态初始分布, "transmat_"对应我们的状态转移矩阵, "emissionprob_"对应我们的观测状态概率矩阵。 对于连续观测状态的HMM模型，Gaussi

CART算法 什么是CART？ CART是英文Classification And Regression Tree的简写，又称为分类回归树。从它的名字我们就可 以看出，它是一个很强大的算法，既可以用于分类还可以用于回归，所以非常值得我们来学习。 CART算法使用的就是二元切分法，这种方法可以通过调整树的构建过程，使其能够处理连续型变量。 具体的处理方法是：如果特征值大于给定值就走左子树，否则就走右子树。 CART算法有两步： 决策树生成：递归地构建二叉决策树的过程，基于训练数据集生成决策树，生成的决策树要

决策树 一种简单但广泛使用的分类器，它通过训练数据构建决策树，对未知的数据进行分类。决策树的每个内部节点表示在一个属性上的测试，每个分枝代表该测试的一个输出，而每个树叶结点存放着一个类标号。 ID3算法： 该模型数据为整条数据，目标值在特征值后一列。 信息熵： def calEnt(dataSet): n = dataSet.shape[0] iset = dataSet.iloc[:,-1].value_counts() p = iset / n ent = (-p *

整条的数据集划分 import random def randSplit(dataSet,rate): l = list(dataSet.index) random.shuffle(l) dataSet.index = l n = dataSet.shape[0] m = int(n*rate) train = dataSet.loc[range(m),:] test = dataSet.loc[range(m,n),:] dataSet.in