摘要：
之前对强大的 boosting 模型工具 XGBoost 做了介绍，本篇我们来学习一下 GBDT 模型的另一个进化版本：LightGBM 。LightGBM 是微软开发的 boosting 集成模型，和 XGBoost 一样是对 GBDT 的优化和高效实现，原理有一些相似之处，但它很多方面比 XGBoost 有着更为优秀的表现。官方给出的这个工具库模型的优势如下：
更快的训练效率
低内存使用
更高的准确率
支持并行化学习
可处理大规模数据
支持直接使用 category 特征 阅读全文
摘要：
XGBoost 是 eXtreme Gradient Boosting 的缩写称呼，它是一个非常强大的 Boosting 算法工具包，优秀的性能（效果与速度）让其在很长一段时间内霸屏数据科学比赛解决方案榜首，现在很多大厂的机器学习方案依旧会首选这个模型。 阅读全文
摘要：
什么是竞品分析？
顾名思义，是对竞争对手的产品进行比较分析的过程，一种带有主观性的横向分析过程；通过对多个产品的整体架构、功能、商业模式、产品策略等多维度的横向对比分析，从而获得目的性的结论。那如何分析呢？我们这里按照下面几个点来一一展开：**明确目的，行业分析，确定竞品，确定维度，搜索数据，对比分析，输出结论。** 阅读全文
摘要：
GBDT（Gradient Boosting Decision Tree），全名叫梯度提升决策树，是一种迭代的决策树算法，又叫 MART（Multiple Additive Regression Tree），它通过**构造一组弱的学习器（树），并把多颗决策树的结果累加起来作为最终的预测输出。**该算法将决策树与集成思想进行了有效的结合。 阅读全文
摘要：
回归树其实是将输入空间划分为$M$个单元，每个区域的输出值是该区域内所有点$y$值的平均数 阅读全文
摘要：
记一次我的博客园页面突然无法显示markdown数学公式，之前都还好好的，今天突然给我数学公式卡没了...... 阅读全文
摘要：
随机森林是一种**由决策树构成的（并行）集成算法**，属于Bagging类型，通过组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能，同时也有很好的稳定性，广泛应用在各种业务场景中。随机森林有如此优良的表现，主要归功于「随机」和「森林」，一个使它具有抗过拟合能力，一个使它更加精准。 阅读全文
摘要：
决策树（Decision tree）是基于已知各种情况（特征取值）的基础上，通过构建树型决策结构来进行分析的一种方式，是常用的有监督的分类算法（也就是带有标签的训练数据集训练的，比如后文中使用到的训练集中的好瓜坏瓜就是标签，形容瓜的就是特征） 阅读全文
摘要：
yoga联想电脑黑屏 阅读全文
摘要：
第一次接触bpaas，个人学习用，基于我们的一个印章加密合同管理的Bpaas平台的架构设计 阅读全文