数据挖掘与数据竞赛
文章平均质量分 96
本栏目主要是有关于数据挖掘和数据竞赛相关的总结
陈小虾
机器学习、神经网络、数据结构、软件开发、产品、C++、Python
展开
-
4.“未来杯 城市-房产租金预测”之模型选择
文章目录from __future__ import print_functionimport lightgbm as lgbimport sklearnimport numpyimport hyperoptfrom hyperopt import hp, fmin, tpe, STATUS_OK, Trialsimport coloramaimport numpy as np...原创 2020-01-15 20:29:39 · 817 阅读 · 0 评论 -
3.“未来杯 城市-房产租金预测”之特征工程
本文以房产租金预测的数据集为例,进行了特征工程和特征选择原创 2020-01-11 10:14:40 · 517 阅读 · 1 评论 -
2.“未来杯 城市-房产租金预测”之数据清洗
本文以租房为例,介绍了数据挖掘中得数据清洗原创 2020-01-09 11:21:58 · 362 阅读 · 0 评论 -
1.“未来杯 城市-房产租金预测”之任务分析
本文是该比赛的赛题分析和特征分析部分的总结原创 2020-01-07 16:27:50 · 646 阅读 · 0 评论 -
推荐系统简介
本文简单介绍了推荐系统,包括定义,产生的原因、工业推荐算法流程、常见的具体算法、评价指标等,都属于简单介绍。后续会详细讲解每一个算法。原创 2019-12-07 17:05:40 · 2434 阅读 · 0 评论 -
数据挖掘基础知识点总结
本文总结了数据仓库和数据挖掘的基础知识。转载 2019-08-10 16:34:55 · 5504 阅读 · 0 评论 -
数据挖掘150道笔试题
本文为转载文章,转载了数据挖掘方面的150道题目。转载 2019-08-08 19:43:18 · 1301 阅读 · 0 评论 -
深度学习基础之归一化
数据归一化是深度学习数据预处理非常关键的步骤,可以起到统一量纲,防止小数据被吞噬等作用。本文介绍了常见的几种归一化:线性归一化、零均值归一化和非线性归一化,以及局部响应归一化和批归一化。原创 2019-07-27 16:56:23 · 7518 阅读 · 0 评论 -
数据挖掘学习(二):模型评价指标
在机器学习和数据挖掘中,模型的评价指标至关重要。本文对常用到的分类、回归和聚类的评价指标进行了总结。原创 2019-08-04 16:30:07 · 4239 阅读 · 0 评论 -
数据挖掘学习(一):特征工程
文章目录概述一、特征选择1、选择合适的特征1.1 过滤法选择特征1.2 包装法选择特征1.3 嵌入法选择特征2、寻找高级特征二、特征表达2.1 缺失值处理2.2 特殊的特征处理2.3 离散特征的连续化处理2.4 离散特征的离散化处理2.5 连续特征的离散化处理三、特征预处理3.1 特征的标准化和归一化3.2 异常特征样本清洗3.3. 处理不平衡数据概述特征...原创 2019-08-03 12:22:34 · 809 阅读 · 0 评论 -
生成对抗网络GAN详细推导
生成式对抗网络模型(GAN)是基于深度学习的一种强大的生成模型,可以应用于计算机视觉、自然语言处理、半监督学习等重要领域。生成式对抗网络最最直接的应用是数据的生成,而数据质量的好坏则是评判GAN成功与否的关键。本文介绍了GAN最初被提出时的基本思想,模型和公式推导,以及训练。原创 2019-07-21 13:35:52 · 2919 阅读 · 7 评论 -
深度学习基础之正则化
本文针对机器学习中的正则化做了详细讲解,对于什么是正则化,L1、L2正则化的图解,他们区别和如何选择做了详细讲解。原创 2019-07-20 17:16:36 · 334 阅读 · 0 评论 -
LSTM(长短时间记忆模型)的详细推导
由于RNN梯度消失而不能处理长序列的问题,提出了LSTM,本文对从RNN到LSTM的改进思想、LSTM的模块、前向传播和反向传播进行了推导。原创 2019-07-20 08:45:40 · 6798 阅读 · 0 评论 -
循环神经网络RNN详细推导
本文详细推介绍RNN的发展历史,工作原理,以及前向和后向传播算法,并给出了详细的推导过程,最后简单介绍了梯度消失和梯度爆炸。原创 2019-07-14 15:15:49 · 2974 阅读 · 1 评论 -
卷积神经网络CNN模块化剖析
本文简要介绍了深度学习的发展。然后对卷积神经网络的几个模块进行了剖分讲解,包括:卷积层,池化层,非线性激活函数,全连接层以及损失函数和优化方法。搞懂了这些模块之后,你就可以去读文章啦!原创 2019-07-03 08:51:41 · 3872 阅读 · 0 评论