摘要：
一、前述 指数平滑法对时间序列上连续的值之间的相关性没有要求。但是，如果你想使用指数平滑法计算出预测区间， 那么预测误差必须是不相关的， 且必须是服从零均值、 方差不变的正态分布。即使指数平滑法对时间序列连续数值之间相关性没有要求，在某种情况下， 我们可以通过考虑数据之间的相关性来创建更好的预测模型 阅读全文
摘要：
一、前述 集成思想就是让很多个训练器决定一个结果，目的：让机器学习效果更好，单个不行，群殴走起。 二、具体 1、概述 2、Bagging模型 全称： bootstrap aggregation（说白了就是并行训练一堆分类器），最典型的代表就是随机森林啦。 随机：数据采样随机，特征选择随机 森林：很多 阅读全文
摘要：
一、前述 SVM在2012年前还是很牛逼的，但是12年之后神经网络更牛逼些，但我们还是很有必要了解SVM的。 二、具体 1、问题引入 要解决的问题：基于以下问题对SVM进行推导 3条线都可以将两边点分类，什么样的决策边界才是最好的呢？ 特征数据本身如果就很难分，怎么办呢？计算复杂度怎么样？能实际应用 阅读全文
摘要：
一、前述 上节我们讲解了xgboost的基本知识，本节我们通过实例进一步讲解。 二、具体 1、安装 默认可以通过pip安装，若是安装不上可以通过https://www.lfd.uci.edu/~gohlke/pythonlibs/网站下载相关安装包,将安装包拷贝到Anacoda3的安装目录的Scrr 阅读全文
摘要：
一、前述 在 Kaggle 的很多比赛中，我们可以看到很多 winner 喜欢用 xgboost，而且获得非常好的表现，今天就来看看 xgboost 到底是什么以及如何应用。Gradient boosting 是 boosting 的其中一种方法，所谓 Boosting ，就是将弱分离器 f_i(x 阅读全文
摘要：
一、前述 隐语义模型是近年来推荐系统领域较为热门的话题，它主要是根据隐含特征将用户与物品联系起来。 因为用户和物品之间有着隐含的联系。所以把用户转成隐语义，然后物品转成隐语义组合，通过中介隐含因子连接。 二、具体 1、隐语义模型举例和求解 N代表用户，M代表物体 第一步：先分解 将用户分解成F个因子 阅读全文
摘要：
SVD一般应用场景--推荐系统，图像压缩。 1、直观感受。 SVD其实就是将矩阵分界，直观感受如图。就是将A矩阵分界成U，S，V三个矩阵相乘。一般推荐系统中用的多。S是对角阵，里面的特征值是从大到小排列的。 2、前述知识。 一个矩阵乘以一个向量结果还是一个向量，并且等于原始向量的倍，相当于对原始向量 阅读全文
摘要：
一、前述 架构： 问题： 1、压缩会损失信息 2、长度会影响准确率 解决办法： Attention机制：聚焦模式 “高分辨率”聚焦在图片的某个特定区域并以“低分辨率”，感知图像的周边区域的模式。通过大量实验证明，将attention机制应用在机器翻译，摘要生成，阅读理解等问题上，取得的成效显著。 比 阅读全文
摘要：
一、前述 传统的神经网络每个输入节点之间没有联系， RNN （对中间信息保留）： 由图可知，比如第二个节点的输入不仅依赖于本身的输入U1，而且依赖上一个节点的输入W0,U0，同样第三个节点依赖于前两个节点的输入， 假设每一个节点分别代表着“我出生在中国，我说——”的一个预测，则“说”后面则是依赖于前 阅读全文
摘要：
一、前述 二、构建FP_groupth数流程 1、扫描事务数据库D 一次。收集频繁项的集合F 和它们的支持度。对F 按支持度降序排序，结果为频繁项表L。 2、创建FP 树的根节点，以“null”标记它。对亍D 中的每个事务Trans，执行：选择 Trans中的频繁项，并按L 中的次序排序。设排序后的 阅读全文