jasonfreak

一个懒惰的人,总是想设计更智能的程序来避免做重复性工作

2016年11月5日 #

虎扑论坛装备区到底有没有李宁水军?——论坛水军发现实践

摘要: 目录 1 易建联脱鞋事件2 传说中的网络水军 2.1 网络水军是什么? 2.2 网络水军发现技术3 基于同贴率的网络水军发现4 基于情感分析的网络水军发现5 总结 1 易建联脱鞋事件 (图片来自网络,侵删) 2016年11月2日,刚刚从NBA回归的易建联没想到搞了个大新闻!过去4年来,李宁公司作为C 阅读全文

posted @ 2016-11-05 20:45 jasonfreak 阅读(4943) 评论(6) 推荐(3) 编辑

2016年7月31日 #

使用sklearn进行集成学习——实践

摘要: 系列 《使用sklearn进行集成学习——理论》 《使用sklearn进行集成学习——实践》 目录 1 Random Forest和Gradient Tree Boosting参数详解2 如何调参? 2.1 调参的目标:偏差和方差的协调 2.2 参数对整体模型性能的影响 2.3 一个朴实的方案:贪心 阅读全文

posted @ 2016-07-31 18:58 jasonfreak 阅读(61515) 评论(8) 推荐(13) 编辑

2016年7月17日 #

使用sklearn进行集成学习——理论

摘要: 系列 《使用sklearn进行集成学习——理论》 《使用sklearn进行集成学习——实践》 目录 1 前言2 集成学习是什么?3 偏差和方差 3.1 模型的偏差和方差是什么? 3.2 bagging的偏差和方差 3.3 boosting的偏差和方差 3.4 模型的独立性 3.5 小结4 Gradi 阅读全文

posted @ 2016-07-17 18:08 jasonfreak 阅读(52305) 评论(13) 推荐(15) 编辑

2016年7月7日 #

easyconf——基于AugularJS的配置管理系统开发框架

摘要: 目录 1 easyconf的诞生2 easyconf的设计理念 2.1 总体设计 2.2 细节设计 2.2.1 CRUD操作 2.2.2 即时校验 2.2.3 下拉框设计3 easyconf使用指南 3.1 基本步骤 3.2 表配置文件 3.3 easyconf.js的定制 3.3.1 语言 3.3 阅读全文

posted @ 2016-07-07 11:59 jasonfreak 阅读(2529) 评论(2) 推荐(5) 编辑

2016年6月30日 #

谁动了我的特征?——sklearn特征转换行为全记录

摘要: 目录 1 为什么要记录特征转换行为?2 有哪些特征转换的方式?3 特征转换的组合4 sklearn源码分析 4.1 一对一映射 4.2 一对多映射 4.3 多对多映射5 实践6 总结7 参考资料 1 为什么要记录特征转换行为? 使用机器学习算法和模型进行数据挖掘,有时难免事与愿违:我们依仗对业务的理 阅读全文

posted @ 2016-06-30 21:33 jasonfreak 阅读(32669) 评论(3) 推荐(6) 编辑

2016年6月26日 #

关于线性模型你可能还不知道的二三事(三、特征值与奇异值的魔力)

摘要: 系列 关于线性模型你可能还不知道的二三事(一、样本) 关于线性模型你可能还不知道的二三事(二、也谈民主) 关于线性模型你可能还不知道的二三事(三、特征值与奇异值的魔力) 目录 1 L2惩罚项 1.1 惩罚项 1.2 L2惩罚项与过拟合 1.3 多目标值线性模型2 特征值分解3 奇异值分解4 总结5 阅读全文

posted @ 2016-06-26 11:16 jasonfreak 阅读(6805) 评论(0) 推荐(1) 编辑

2016年6月16日 #

关于线性模型你可能还不知道的二三事(二、也谈民主)

摘要: 系列博文 关于线性模型你可能还不知道的二三事(一、样本) 关于线性模型你可能还不知道的二三事(二、也谈民主) 关于线性模型你可能还不知道的二三事(三、特征值与奇异值的魔力) 目录 1 如何更新权值向量?2 最小均方法(LMS)与感知机:低效的民主3 最小二乘法:完美的民主4 支持向量机:现实的民主5 阅读全文

posted @ 2016-06-16 17:27 jasonfreak 阅读(3746) 评论(1) 推荐(1) 编辑

2016年6月2日 #

关于线性模型你可能还不知道的二三事(一、样本)

摘要: 系列 关于线性模型你可能还不知道的二三事(一、样本) 关于线性模型你可能还不知道的二三事(二、也谈民主) 关于线性模型你可能还不知道的二三事(三、特征值与奇异值的魔力) 目录 1 样本的表示形式2 由线性模型产生的样本3 逆矩阵的意义 1 样本的表示形式 在数据挖掘过程中,样本以特征值矩阵X和目标值 阅读全文

posted @ 2016-06-02 09:35 jasonfreak 阅读(11188) 评论(1) 推荐(0) 编辑

2016年5月4日 #

使用sklearn优雅地进行数据挖掘

摘要: 目录 1 使用sklearn进行数据挖掘 1.1 数据挖掘的步骤 1.2 数据初貌 1.3 关键技术2 并行处理 2.1 整体并行处理 2.2 部分并行处理3 流水线处理4 自动化调参5 持久化6 回顾7 总结8 参考资料 1 使用sklearn进行数据挖掘 1.1 数据挖掘的步骤 数据挖掘通常包括 阅读全文

posted @ 2016-05-04 11:46 jasonfreak 阅读(90495) 评论(26) 推荐(31) 编辑

2016年5月2日 #

使用sklearn做单机特征工程

摘要: 目录 1 特征工程是什么?2 数据预处理 2.1 无量纲化 2.1.1 标准化 2.1.2 区间缩放法 2.1.3 标准化与归一化的区别 2.2 对定量特征二值化 2.3 对定性特征哑编码 2.4 缺失值计算 2.5 数据变换 2.6 回顾3 特征选择 3.1 Filter 3.1.1 方差选择法 阅读全文

posted @ 2016-05-02 17:41 jasonfreak 阅读(151674) 评论(26) 推荐(44) 编辑

导航