摘要：
Win下更改jupyter主题 Themes地址 本人环境 Win+Conda 开始使用pip 安装，发现无法使用pip,修改环境变量，将D:\Program Files\Conda\Scripts加入Path中 再次使用pip，报错无SSL，网上查找发现需将D:\Program Files\Con 阅读全文
摘要：
数据挖掘概念与技术 定义挖掘目标–>数据取样–>数据探索–>数据预处理–>挖掘建模–>模型评价 第一章、数据 挖掘的数据类型：时间序列，序列，数据流，时间空间数据，多媒体数据，文本数据，图，社会网络和web数据； 挖掘：知识类型、使用的技术、目标应用的技术、挖掘任务分类。 衡量取样数据质量的标准： 阅读全文
摘要：
常见的多模型融合算法 多模型融合算法可以比单一模型算法有极为明显的效果提升。但是怎样进行有效的融合，充分发挥各个算法的长处？这里总结一些常见的融合方法： 1. 线性加权融合法 线性加权是最简单易用的融合算法，工程实现非常方便，只需要汇总单一模型的结果，然后按不同算法赋予不同的权重，将多个推荐算法的结 阅读全文
摘要：
简介 如果你的预测模型表现得有些不尽如人意，那就用XGBoost吧。XGBoost算法现在已经成为很多数据工程师的重要武器。它是一种十分精致的算法，可以处理各种不规则的数据。构造一个使用XGBoost的模型十分简单。但是，提高这个模型的表现就有些困难(至少我觉得十分纠结)。这个算法使用了好几个参数。 阅读全文
摘要：
XGBoost参数 在运行XGboost之前，必须设置三种类型成熟：general parameters，booster parameters和task parameters： General parameters：参数控制在提升（boosting）过程中使用哪种booster，常用的booster 阅读全文
摘要：
xgboost是基于GBDT原理进行改进的算法，效率高，并且可以进行并行化运算，而且可以在训练的过程中给出各个特征的评分，从而表明每个特征对模型训练的重要性， 调用的源码就不准备详述，本文主要侧重的是计算的原理，函数get_fscore源码如下，源码来自安装包：xgboost/python-pack 阅读全文
摘要：
一、数据集预处理 1、数据读入 2、数据划分 二、特征工程 1、提取其他特征 2、提取优惠券相关特征 3、提取商户相关特征 4、提取用户的相关特征 5、用户和商店之间联系的特征 三、特征组合 四、模型训练 对特征筛选，训练，方便除去对标签影响因子小的特征属性，即剪枝 五、总结 本次按着大佬的思路做了 阅读全文
摘要：
1.快捷键 Jupyter Notebook 有两种键盘输入模式。编辑模式，允许你往单元中键入代码或文本；这时的单元框线是绿色的。命令模式，键盘输入运行程序命令；这时的单元框线是灰色。 命令模式 (按键 Esc 开启) Enter : 转入编辑模式 Shift-Enter : 运行本单元，选中下个单 阅读全文
摘要：
1. 背景 1.1 Gradient Boosting Gradient Boosting是一种Boosting的方法，它主要的思想是，每一次建立模型是在之前建立模型损失函数的梯度下降方向。损失函数是评价模型性能（一般为拟合程度+正则项），认为损失函数越小，性能越好。而让损失函数持续下降，就能使得模 阅读全文
摘要：
1、背景 CTR预估，广告点击率（Click-Through Rate Prediction）是互联网计算广告中的关键环节，预估准确性直接影响公司广告收入。CTR预估中用的最多的模型是LR（Logistic Regression）[1]，LR是广义线性模型，与传统线性模型相比，LR使用了Logit变 阅读全文