深度学习
文章平均质量分 93
十三吖
这个作者很懒,什么都没留下…
展开
-
PR曲线与ROC曲线绘制
0 用到的知识介绍ROC和PR前先介绍混淆矩阵便于理解。-预测值 正预测值 负真实值 正TPFN真实值 负FPTNTP(True Positive): 被判定为正样本,实际也为正样本FN(False Negative):伪阴性 ,被判定为负样本,实际为正样本FP(False Positive):伪阳性,被判断为正样本,实际为负样本TN(True Negative):被判断为负样本,实际为负样本假阳率:在所有的负样本中,分类器预测错误的比例FPR=FPF原创 2021-10-31 21:36:15 · 4917 阅读 · 1 评论 -
利用Tensorflow构建RNN实现垃圾邮件分类
1 导入库import osimport reimport ioimport requestsimport numpy as npimport tensorflow as tfimport matplotlib.pyplot as pltfrom zipfile import ZipFile2 加载数据data_dir = 'temp'data_file = 'text_d...翻译 2019-06-13 09:49:48 · 1445 阅读 · 0 评论 -
利用tensorflow构建LSTM预测单词
1 导入库import osimport ioimport reimport requestsimport stringimport collectionsimport randomimport pickleimport matplotlib.pyplot as pltimport numpy as npimport tensorflow as tf2 加载数据data...翻译 2019-06-13 09:47:52 · 1031 阅读 · 9 评论 -
深度学习 ——> Batch Normalization ——> 批标准化
转自:https://www.cnblogs.com/guoyaohua/p/8724433.html这几天面试经常被问到BN层的原理,虽然回答上来了,但还是感觉答得不是很好,今天仔细研究了一下Batch Normalization的原理,以下为参考网上几篇文章总结得出。 Batch Normalization作为最近一年来DL的重要成果,已经广泛被证明其有效性和重要性。虽然有些细节处理...转载 2019-06-05 09:58:01 · 217 阅读 · 0 评论 -
《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》 DeepFM 模型及python代码
如果不了解FM模型或者FFM模型可以查阅下面两篇文章:1、推荐系统 | 《Factorization Machines》 | FM模型及python实现2、《Field-aware Factorization Machines for CTR Prediction》FFM模型整理及python代码1 DeepFM模型论文原文2 模型2.1 CTR预估数据特点:1、输入中既...原创 2019-03-22 17:20:48 · 1913 阅读 · 1 评论 -
《AutoRec: Autoencoders Meet Collaborative Filtering》理解
1 论文原文2 理解2.1 本文目的通过AutoEncoder模型来预测用户-物品矩阵(评分矩阵M x N.)中缺失的评分值。2.2 模型1、模型输入item-based:每个item用各个user对它的打分作为其向量描述(user-based:每个user用该user对各个item的打分作为输入)。2、模型输出将模型对input重建后的新向量里对应位置的值认为是预测值3...原创 2019-02-26 15:32:55 · 2411 阅读 · 0 评论 -
《Restricted Boltzmann Machines for Collaborative Filtering》理解与资料整理
1 原文如下2 理解这篇文章尝试把RBM应用到协同过滤中,在netflix上的数据集做实验,RBM方法与SVD方法线性插值相结合,能提高系统性能6%左右。2.1问题描述:对电影的推荐,用户对电影集合中的某个电影进行打分,分值区间为(0, k]。基于user-based的协同过滤算法,用用户对电影的打分形成一个整数向量,用来表征用户特征,进一步计算用户之间的相似度。这篇文章...原创 2019-02-25 09:28:35 · 1736 阅读 · 0 评论 -
《Collaborative Deep Learning for Recommender Systems》整理以及未理解的部分问题(求解答)
1 原文2 整理(参考搜狐技术产品,相关资料感觉好少。。。)2.1 摘要协同过滤作为集体智慧方法的典型代表作,在推荐系统的发展过程中占据着很高的位置,其简单容易理解的特性使其成为了大多企业的首要推荐方法,也带来了很好的推荐效果。但是作为集体智慧,其发挥的场景也往往受限,例如稀疏数据下的协同过滤就往往难以发挥很好的作用;协同过滤往往只采用了ID特征(或者评分特征)对其本身的...原创 2019-02-28 09:07:06 · 1682 阅读 · 1 评论 -
Wide & Deep Learning for Recommender Systems 翻译
摘要通过将稀疏数据的非线性转化特征应用在广义线性模型中被广泛应用于大规模的回归和分类问题。通过广泛的使用交叉特征转化,使得特征交互的记忆性是有效的,并且具有可解释性,而然不得不做许多的特征工作。相对来说,通过从稀疏数据中学习低纬稠密embedding特征,并应用到深度学习中,只需要少量的特征工程就能对潜在的特征组合具有更好的范化性。 但是当用户项目交互是稀疏和高纬数据的时候,利用了embed...翻译 2019-02-22 09:10:34 · 2766 阅读 · 2 评论 -
入门 RNN & LSTM 这一篇文章足以
谢谢博主整理的这么详细:https://blog.csdn.net/zhaojc1995/article/details/80572098本文部分参考和摘录了以下文章,在此由衷感谢以下作者的分享! https://zhuanlan.zhihu.com/p/28054589 https://blog.csdn.net/qq_16234613/article/details/79476763 ...转载 2018-12-17 21:11:56 · 1237 阅读 · 1 评论