- 博客(19)
- 资源 (5)
- 收藏
- 关注
RSS订阅转载 对级排序学习pairwise learning 偏好关系学习（RankBost）
转载自：Pairwise Leanrning - wentingtu - 博客园Pairwise Leanrning **************************************************************An Efficient Boosting Algorithm for Combining Prefere
2016-12-21 14:55:29
5359
1
转载 图模型推荐
推荐中的GRAPH MODEL - wentingtu - 博客园http://www.cnblogs.com/wentingtu/archive/2012/05/28/2521166.html应roger的要求，我在此总结一下graph model。推荐中对graph model的研究主要有两个方面，一个是如何构图，另一个是如何在图上做ranking。关于构图问题
2016-12-21 14:40:14
1296
原创 最大似然估计log likelihood
log likelihood——对数似然函数值在参数估计中有一类方法叫做“最大似然估计”,因为涉及到的估计函数往往是是指数型族,取对数后不影响它的单调性但会让计算过程变得简单,所以就采用了似然函数的对数,称“对数似然函数”.根据涉及的模型不同,对数函数会不尽相同,但是原理是一样的,都是从因变量的密度函数的到来,并涉及到对随机干扰项分布的假设.最大似然估计法的基本思想极大似然原理
2016-12-14 21:17:20
88941
1
原创 将数据集切分成“训练-测试数据集”和交叉验证
如何将数据集划分为测试数据集和训练数据集？把数据集分为两部分：分别用于训练和测试sklearn提供一个将数据集切分成训练集和测试集的函数。from sklearn.crose_validation import train_test_splitXd_train,Xd_test,y_train,y_test=train_test_split(X_d,y,random_state=14)
2016-12-07 11:05:04
22185
转载 libFM的使用
推荐系统学习04-LibMF - 风萧萧兮 - 博客频道 - CSDN.NEThttp://blog.csdn.net/chenkfkevin/article/details/51064292编译 在Ubuntu14.04上进行。环境需要g++4.6及以上。 将下载的压缩文件上传至Ubuntu，解压。 进入目录，输入“make”进行编译。
2016-12-06 21:10:29
5399
转载 生成libSVM的数据格式及使用方法总结
libFm的文本格式和libSVM的格式相同，所以研究了一下libSVM的格式生成libSVM的数据格式及使用方法总结 - Studying…… - 博客频道 - CSDN.NEThttp://blog.csdn.net/kobesdu/article/details/8944851首先介绍一下 libSVM的数据格式Label 1:value 2:value ….
2016-12-06 21:08:39
2873
转载 推荐系统源码
1. LibFM项目主页：http://www.libfm.org/2. Svdfeature项目主页：http://apex.sjtu.edu.cn/apex_wiki/svdfeature3. Libsvm和Liblinearlibsvm项目主页：http://www.csie.ntu.edu.tw/~cjlin/libsvm
2016-12-06 15:44:55
2600
原创 处理关系数据使用libFM块
英文博文：https://thierrysilbermann.wordpress.com/2015/09/17/deal-with-relational-data-using-libfm-with-blocks/train.libfm5 0:1 2:1 6:1 9:12.55 0:1 3:1 6:1 9:204 0:1 4:1 6:1 9:781 1:1,2
2016-12-06 15:24:14
1600
原创 one-hot编码
在实际的应用场景中，有非常多的特征不是连续的数值变量，而是某一些离散的类别。比如在广告系统中，用户的性别，用户的地址，用户的兴趣爱好等等一系列特征，都是一些分类值。这些特征一般都无法直接应用在需要进行数值型计算的算法里，比如CTR预估中最常用的LR。那针对这种情况最简单的处理方式是将不同的类别映射为一个整数，比如男性是0号特征，女性为1号特征。这种方式最大的优点就是简单粗暴，实现简单。那最大的问题
2016-12-06 14:51:24
7772
2
原创 libfm in python
https://github.com/coreylynch/pyFM这是一个 python 实现的分解机 [1]。使用自适应正则化作为一种学习方法，适应正规化训练模型参数时，自动使用随机梯度下降。详情，请参阅 [2]。从 libfm.org:"分解机 (FM) 是允许通过来模拟大多数分解模型的特征工程的泛型方法。这种方式，分解机"相结合特征工程概论凭借优势的分解模型估计的大域分类变量之
2016-12-05 16:10:18
10346
4
原创 LibFM使用手册中文版
英文版原文：http://www.libfm.org/libfm-1.42.manual.pdf自己翻译libFM 1.4.2 - 指南Steffen Rendle [email protected] http://www.libfm.org/ 2014年9月14日内容
2016-12-05 13:12:41
13561
6
转载 特征工程——特征分类及不同类特征的处理方式
特征分类对特征进行分类，对于不同的特征应该有不同的处理方法。根据不同的分类方法，可以将特征分为(1)Low level特征和High level特征。Low level特征——较低级别的特征，主要是原始特征，不需要或者需要非常少的人工处理和干预。例如文本特征中的词向量特征，图像特征中的像素点，用户id，商品id等。Low level特征一般维度比较高，不能用过于
2016-12-03 15:36:47
11179
转载 特征工程——推荐系统里的特征工程
原文：推荐系统里的特征工程个性化推荐系统 Personalized recommender system 比其他的机器学习方法更依赖特征工程，所以我拿它来当作问题的背景，结合我之前做过的一个推荐系统里相关经验来说说特征工程具体是个什么东西。利用特征功能提取这些“个性化”的特征放到推荐模型里就很重要，比如在我们的推荐系统里，把“品牌”的特征加进去，相对于 baseline 提高了20%左
2016-12-03 14:43:32
4161
转载 特征工程——categorical特征 和 continuous特征
看到有些介绍，“特征分为categorical特征 和 continuous特征“不解，查资料得单个原始特征（或称为变量）通常属于以下几类之一：连续（continuous）特征；无序类别（categorical）特征；有序类别（ordinal）特征。##连续特征 除了归一化（去中心，方差归一），不用做太多特殊处理，可以直接把连续特征扔到模型里使用。##无序特征
2016-12-03 12:06:16
5875
原创 雅虎研究院数据集汇总
介绍：雅虎研究院的数据集汇总： 包括语言类数据，图与社交类数据，评分与分类数据，计算广告学数据，图像数据，竞赛数据，以及系统类的数据。
2016-12-02 19:07:51
3323
转载 关于Kdd cup
原博：http://blog.csdn.net/cserchen/article/details/38398917还有其他类型kaggle上近一段时间数据挖掘竞赛的获奖队伍的源代码,对掌握相应的数据挖掘技术很有帮助1.Kaggle's Allstate Purchase Prediction Challenge，代码github排名2 ，排名10 排名36
2016-12-02 18:59:02
758
转载 推荐系统开源软件列表汇总和点评
推荐系统开源软件列表汇总和点评 - CSDN - 博客频道 - CSDN.NEThttp://blog.csdn.net/cserchen/article/details/14231153
2016-12-02 18:55:06
818
转载 推荐算法工程
原文见：http://www.cnblogs.com/flclain/p/4211685.html总结归纳为：事实上搞推荐的工作不等于 import IBCF 或者 import time SVD++ import tensor啊做一个推荐系统，其问题在于几个方面：1.业务转化数学问题 2.数据特性定义active function 3.根据业务定义合理损失函数 4.损失函数求
2016-12-02 16:29:59
836
javaweb开发技术方案宝典
2013-07-11
《java数据库系统开发实例导航》
2013-07-11
javaweb程序开发范例宝典17到21章
2013-07-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人