03 2021 档案

评估曲线
摘要：曲线: P-R X轴是Percision, Y轴是Reall。 Percision=TP/FP+TP，也就是预测是阳性并且正确的/预测是阳性的。这个值大意味着这个模型预测出来的阳性很多都是对的，当置信度大时，一般精确度也大。 Recall=TP/TP+FN, 也就是预测是阳性并且正确/所有的阳性。R 阅读全文
posted @ 2021-03-29 18:59 oaksharks 阅读(154) 评论(0) 推荐(0) 编辑
模型融合：Stacking
摘要：Stacking是堆叠的意思，把多个模型堆叠到一起。 它通过一个元模型把数据堆叠到一起，这个元模型训练的特征就是模型+模型输出的结果，标签是训练集的y。 预测时用所有的模型预测一遍，得到的结果作为特征给元模型，输出最终的结果。 from sklearn import datasets X, y = 阅读全文
posted @ 2021-03-26 13:56 oaksharks 阅读(635) 评论(0) 推荐(0) 编辑
排列重要性
摘要：from sklearn.inspection._permutation_importance import permutation_importance from sklearn.datasets import load_iris from sklearn.metrics import get_s 阅读全文
posted @ 2021-03-17 17:24 oaksharks 阅读(127) 评论(0) 推荐(0) 编辑
单点登陆
摘要：相同二级域名下子系统间相互SSO 有2个应用，域名分别为： tv.home.com game.home.com 它们的cookies可以写在域名home.com下，登陆服务部署在sso.home.com下。访问任何一个服务时都去home.com下读取cookies检查用户是否登陆，如果没有登陆，则跳 阅读全文
posted @ 2021-03-17 11:48 oaksharks 阅读(62) 评论(0) 推荐(0) 编辑
特征漂移检测
摘要：思路： 评价测试集与训练集分布是否相像，如果不像，则有可能是发生了漂移。 评价方法： 对训练集打标签0，测试集打标签1生成新数据集 训练一个二分类模型 评价AUC指标，如果非常高，则发生漂移（模型能轻易分辨出训练和测试数据） 依据特征重要性，删除若干个指标，重新训练，并重复步骤2-4，直到auc很低 阅读全文
posted @ 2021-03-08 18:41 oaksharks 阅读(432) 评论(0) 推荐(0) 编辑