2018年03月_Lenskit

12月 11月 10月 09月 08月 06月 03月 02月 01月

原创 Python机器学习及实践——基础篇8（LinerR和SGD）

回归问题与分类问题的区别在于：期待预测的目标是连续变量，比如：价格、降水量等等。与前面的介绍方式不同，这里不会对回归的应用场景进行横向扩展；而是只针对一个“美国波士顿地区房价预测”的经典回归问题进行分析，好让读者朋友对各种回归模型的性能与优缺点有一个深入的比较。前面介绍过分类的线性模型。其中为了便于将原本在实数域上的计算结果映射到（0,1）区间，引入了逻辑斯蒂函数。而在线性回归问题...

2018-03-28 20:25:35 2133 4

原创 Python机器学习及实践——基础篇7（分类集成模型）

常言道：“一个篱笆三个桩，一个好汉三个帮”。集成分类模型便是综合考量多个分类器的预测结果，从而做出决策。只是这种“综合考量”的方式大体上分为两种：一种是利用相同的训练数据同时搭建多个独立的分类模型，然后通过投票的方式，以少数服从多数的原则作出最终的分类决策。比较具有代表性的模型为随机森林分类器，即在相同训练数据上同时搭建多颗决策树。然而上一篇中提到过，一株标准的决策树会根据每维特征...

2018-03-25 21:05:36 2167

原创 Python机器学习及实践——基础篇6（决策树）

前面所使用的逻辑斯蒂回归和支持向量机模型，都在某种程度上要求被学习的数据特征和目标之间遵照线性假设。然而，在许多现实场景下，这种假设是不存在的。比如，要借由一个人的年龄来预测患流感的死亡率。如果采用线性模型假设，那只有两种情况：年龄越大死亡率越高；或者年龄越低死亡率越高。然而根据常识判断，青壮年因为更加健全的免疫系统，相较于儿童和老年人不容易因患流感而死亡。因此年龄与因流感而死之间...

2018-03-25 19:57:46 880

原创 python连接oracle报错CX_oracle解决方法

使用的python2.7 64位，但公司的oracle client是32位，连接时报错。解决方法：1. 下载合适的oracle客户端，也就是64位的客户端；2. 解压到上层一点的目录，例如C:\oracle\instantclient_12_2；3. 把目录加到环境变量path中，如果有多个oracle环境变量，把它加到最前面；4. （非必须）下载安装正确的Visual Stu...

2018-03-22 18:52:25 3941 3

waffles工具

Waffles 英文原意是蜂蜜甜饼，在这里却指代一个非常强大的机器学习的开源工具包。Waffles里包含的算法特别多，涉及机器学习的方方面面，推荐系统位于其中的Waffles_recommend tool，大概只占整个Waffles的1/10的内容，其它还有分类、聚类、采样、降维、数据可视化、音频处理等许许多多工具包，估计能与之媲美的也就数Weka了。

2016-04-07

最新的SVDFeature工具，里面还有我自己找的几篇manual。一个feature-based协同过滤和排序工具，由上海交大Apex实验室开发，代码质量较高。在KDD Cup 2012中获得第一名，KDD Cup 2011中获得第三名，相关论文发表在2012的JMLR中，这足以说明它的高大上。 SVDFeature 包含一个很灵活的Matrix Factorization推荐框架，能方便的实现SVD、SVD++等方法, 是单模型推荐算法中精度最高的一种。SVDFeature代码精炼，可以用相对较少的内存实现较大规模的单机版矩阵分解运算。另外含有Logistic regression的model，可以很方便的用来进行ensemble。

2016-04-07

TA关注的人

Lenskit

原创 Python机器学习及实践——基础篇8（LinerR和SGD）

原创 Python机器学习及实践——基础篇7（分类集成模型）

原创 Python机器学习及实践——基础篇6（决策树）

原创 python连接oracle报错CX_oracle解决方法

scala安装包

算法导论中文版

集体智慧编程searchindex.db

waffles工具

SVDFeature

win32 简单计算器

jieba分词的停用此表，为什么对英文不起作用？

关于lenskit 跑的时候出了点问题