CoderBoom的博客

推荐系统-关联挖掘算法实战 1.基于知识的推荐方法简介 基于知识区别于以往基于协同过滤算法，基于知识的推荐更多的是交互式问答的环节，分为基于约束的部分，第二是基于实例的部分，使用基于关联规则方法全是基于知识的推荐。 2.关联规则算法引入 啤酒与尿布的故事 关联规则-------寻找关联购买商品的关系 **关联分析，**用于发现隐藏在大型数据集中有意义的联系。 购物篮分析----一次购买分析-...

推荐系统-用户标签预测算法基础实践 1.泰坦尼克号获救人员识别实战 加强iris的代码实战(掌握) 代码版本一 : 未经过pca降温的X #1.进行数据的读入---导入数据 from sklearn.datasets import load_iris iris=load_iris() #2.对数据进行简单的统计分析和图形化的展示 print(iris.keys())#['data', 'tar...

Ctr点击率预估理论基础及项目实战 1.机器学习推荐算法模型回顾 召回(粗排) 利用业务规则结合机器学习推荐算法得到初始推荐结果，得到部分商品召回集 ALS\UserCF\ItemCF\FP-Growth\规则等方式召回 排序(精排) 1期：根据不同推荐位通过不同的模型得到推荐结果 2期：将推荐的所有结果通过Ctr或Cvr预估结果进行排序 GBDT\LR\GBDT+LR\FM()\FFM...

目标函数定义 : 1. GBDT(Gradient Boosting Decision Tree) Gradient Boosting是一种Boosting的方法 , 它的主要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。损失函数式评价模型性能(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 , 就能使得模型不断提升性能 , 其最好的方法就是使...