兔展营销建模方案：

 

 

 SQL数据处理：

 

 

 

 

特征提取：

 

 

GBDT算子的开发：

1.https://blog.csdn.net/wzk4869/article/details/126471404 （原理）

2.开发中可能遇到的问题


1. 样本权重/类别权重 ：如果我们有较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入样本权重，这时我们就要注意这个值了。

2.AUC： https://www.zhihu.com/search?type=content&q=AUC%20

3.AUC和正确率之间的关系 （AUC的计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价。）

4.https://zhuanlan.zhihu.com/p/360765777 （AUC 八股）

5.https://blog.csdn.net/weixin_42163563/article/details/116697828 （ 精确率(precision)、召回率(recall)以及F1分数的概念讲解加python代码实现）

6. 为何对于分类问题来说，GBDT的基函数也是回归树的原因了，因为我们需要计算负梯度，需要求偏导，这时分类树是不能满足这种需求的。https://blog.csdn.net/HRMEMEDA/article/details/127007176 （GBDT解决分类问题）

7.GBDT 二分类 逻辑回归（对数损失函数）  https://blog.csdn.net/program_developer/article/details/103060416

8.GBDT sklearn 调参（损失函数的选择） CSDN编程社区 (smartapps.cn)  https://blog.csdn.net/weixin_30548917/article/details/95351589

9. 损失函数的选择 六个深度学习常用损失函数总览：基本形式、原理、特点 - 腾讯云开发者社区-腾讯云 (tencent.com)

 https://cloud.tencent.com/developer/article/1950150

 3. GBDT自动调参：

 

 

优缺点：

GBDT是一种基于迭代的决策树算法，生成的模型由多棵决策树组成，并将所有树的结论累加作为最终结果，适用于类别预测问题。
GBDT和SVM被认为是泛化能力较强的算法，对于线性不可分数据（即无法用一个线性函数完全将两类样本数据区分），GBDT往往能取得很好的效果。
相较于神经网络，GBDT的参数空间要小很多，训练速度更快，因此在很多场景上更加适合。

 4.遇到的问题：（具体见->兔展建模方案：常见问题）

1.ACC=1  遇到数据穿越 特征重要性判断 大于0.8的分析并删去这个特征
2.要会看源码和报错信息，以及寻求专业的技术开发人员的帮助，有时候遇到的问题是资源分配不足导致的算法无法继续，但是我可能不了解，这需要后台技术人员删去一些冗余的资源来提供服务。
3.资源平台不稳定，即使代码没有出错，也会导致算子运算错误，因为后台开发人员可能同时在这个服务器上进行其他的操作，导致算子平台不稳定，给我的开发和调式造成了困难
4.及时与mentor进行工作上的交流和汇报，跟进项目的进度和任务规划。
5.工作的交接，代码框架的构建，代码的复用性要强，比如KFC 2-10张图片的拼接，大体框架要打好，后面的人在进行修改和扩展的时候才能更加高效。代码注释要清晰。

　　

时序自动特征生成

 

KFC项目：

1. 详解Python修饰器   https://www.cnblogs.com/willsdu/p/16422647.html

 2.opencv库仅仅用来读取图片数据什么的 （opencv面经： https://blog.csdn.net/qq_39075859/article/details/125952690）

3.Python中，如果要将字符串型的list,tuple,dict转变成原有的类型 （eval()函数 (61条消息) Python中函数 eval 和 ast.literal_eval 的区别详解_ast literal_eval_南淮北安的博客-CSDN博客）

4. 对图片进行cv2.resize（）的时候，用到了双线性插值算法： https://blog.csdn.net/xbinworld/article/details/65660665

 

 

扩充

1.svm 和 hinge loss 怎么样理解SVM中的hinge-loss？ - 知乎 (zhihu.com)

2. Python垃圾回收机制  https://blog.csdn.net/huachao1001/article/details/125722825