![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 67
kennyadelaide
人与人应该多点信任
展开
-
Deep Interest Evolution Network for Click-Through Rate Prediction
前一段时间的工作没来的急总结,现在总结一下!欢迎指正.......! @: kenny13141314@163.com今天总结一篇大概是2019年的一篇文章,这篇文章在DIN 的基础之上进行了扩展,属于推荐系统中的精排部分。在DIN中的粗排选择了基于用户的协同过滤算法,因此这篇文章的实现我也采用基于用户的协同过滤算法作为粗排。实际上这篇文章比较简单,首先是通过协同过滤算法将每个用户的历史记录通过时间排序存储到字典中, 代码如下:'''@name: kenny adelaide@time: 20原创 2022-05-10 10:48:59 · 302 阅读 · 0 评论 -
A deep learning based algorithm for multi-criteria recommender systems
推荐系统,网络结构原创 2021-12-15 13:39:27 · 1106 阅读 · 0 评论 -
信息增益在决策树中的应用
决策树目标:根据给定的训练数据集构建一个决策树模型,可以根据这个模型对实例进行正确的分类。决策树本质上是从训练数据集中归纳出一组分类规则。能对训练数据进行正确的分类的决策树可能有多个,可能没有。在选择决策树时,应该选择一个与训练数据矛盾较小的决策树,同事具有很好的泛化能力,选择的条件概率模型应该不仅对训练数据有很好的拟合而且对未知数据有很好的预测能力。原理:通常是选原创 2017-11-09 22:44:34 · 1490 阅读 · 0 评论 -
朴素bayes 算法
贝叶斯算法 bayes原创 2017-12-03 16:30:14 · 248 阅读 · 0 评论 -
cluster k~均值向量算法
#----------------------------------------------工具类代码-------------------------import osimport numpy as npimport stringimport matplotlib.pyplot as pl''' -author-: kenny adelaide time: 2...原创 2018-03-30 18:48:53 · 2092 阅读 · 0 评论 -
协方差的意义和计算公式
https://blog.csdn.net/beechina/article/details/51074750转载 2016年04月06日 14:43:46标签:协方差73055学过概率统计的孩子都知道,统计里最基本的概念就是样本的均值,方差,或者再加个标准差。首先我们给你一个含有n个样本的集合,依次给出这些概念的公式描述,这些高中学过数学的孩子都应该知道吧,一带而过。很显然,均值描述的是样本集合...转载 2018-04-14 17:18:09 · 228 阅读 · 0 评论 -
优化器,梯度。学习策略
回归与梯度下降 回归在数学上来说是给定一个点集,能够用一条曲线去拟合之,如果这个曲线是一条直线,那就被称为线性回归,如果曲线是一条二次曲线,就被称为二次回归,回归还有很多的变种,如本地加权回归、逻辑回归,等等。 用一个很简单的例子来说明回归,这个例子来自很多的地方,也在很多的开源软件中看到,比如说weka。大概就是,做一个房屋价值的评估系统,一个房屋的价值来自很多地方,比如说面积、房间的数量...转载 2018-04-10 15:01:02 · 298 阅读 · 0 评论 -
深入析构 交叉熵代价函数(Cross-entropy cost function) 优化器
信息论 交叉熵代价函数(Cross-entropy cost function) 的数学意义: 数学意义: 用于度量两个概率分布间的差异信息, 与二次代价函数比较: 二次代价函数不考虑概率性,在几何上的解释: 二次闵可夫斯基距离: 欧式距离, 在处理数据的bool尔值类型和联系性数据特征时,连续性数据可以采用一次代价函数:曼哈顿距离。非连续性函数采用二次。因此,在处理连续性数据特征和...原创 2018-04-04 10:27:52 · 561 阅读 · 0 评论 -
极大似然估计
以前多次接触过极大似然估计,但一直都不太明白到底什么原理,最近在看贝叶斯分类,对极大似然估计有了新的认识,总结如下:贝叶斯决策 首先来看贝叶斯分类,我们都知道经典的贝叶斯公式: 其中:p(w):为先验概率,表示每种类别分布的概率;:类条件概率,表示在某种类别前提下,某事发生的概率;而为后验概率,表示某事发生了,并且它属于某一类别的概率,有了这个后验概...转载 2018-04-11 16:58:02 · 700 阅读 · 0 评论