强化学习曾小健

Micro F1更关注整体性能，适用于类别分布相对平衡的情况。Macro F1更关注每个类别的性能，适用于类别分布不平衡的情况，或者当需要评估每个类别的性能时。在实际应用中，根据具体问题和业务需求选择合适的 F1 分数计算方法是很重要的。

因此，在类别不平衡的情况下，AUC-PR通常较低。模型性能的评估：在类别不平衡的情况下，AUC-PR比AUC-ROC更能反映模型在实际应用中的性能。使用适合不平衡数据集的算法：某些机器学习算法，如XGBoost、LightGBM等，具有处理不平衡数据集的能力，可以考虑使用这些算法。使用适合不平衡数据集的评估指标：除了AUC-PR，还可以使用其他适合不平衡数据集的评估指标，如F1分数、马修斯相关系数等。调整类别权重：在训练模型时，可以为不同的类别分配不同的权重，给少数类样本更高的权重，以增加其重要性。

wwithgradientgwhenmomentumis 0:新参数 = 旧参数 - 学习率*梯度momentumWhen。

（Conditional Entropy），顾名思义，是以条件机率�(�|�)定义的典型集的机率大约为1，所以只需要将属于典型集的无记忆�。其直观意义如下：假如接收一段数列{�1,�2,...,��}可以再对联合熵与条件熵的关系做推广，假设现在有�。其中S(X)为热力学熵，H(X)为信息熵，��。在统计物理学中对熵的工作，启发了信息论的熵。互为独立，则�(�,�)=�(�)+�(�)后总讯息量为�(�1)+�(�2|�1)后，总讯息量应为�(�1,...,��)，有�(�,�)=�(�|�)�(�)

import pandas as pdimport numpy as npfrom sklearn import datasets, linear_modelfrom sklearn.metrics import accuracy_scoreimport matplotlib.pyplot as pltdf = pd.read_csv("bitcoin_price.csv")msk = np.random.rand(len(df)) < 0.8X = df["Open"...

注意力机制顾名思义，就是模型在预测的时候，对用户不同行为的注意力是不一样的，“相关”的行为历史看重一些，“不相关”的历史甚至可以忽略。那么这样的思想反应到模型中也是直观的。上式中，是用户的embedding向量，是候选广告商品的embedding向量，是用户u的第i次行为的embedding向量，因为这里用户的行为就是浏览商品或店铺，所以行为的embedding的向量就是那次浏览的商品或店铺的embedding向量。ABSTRACTClick-through rate pr...

Quick Start可以尝试以下开源自动机器学习算法包 获取baseline效果。效果对比：--- AutoX AutoGluon H2o mse 1.1426 1.9466 1.1927 初赛、复赛线上评分排名规则初赛、复赛线上采用Mean squared error（MSE）进行评分排名，MSE越小排名越高，其中，MSE的定义如下：其中，ytrue是真实销量，yPredict是预测销量，nsample...

逻辑回归与线性回归是什么关系呢？逻辑回归（Logistic Regression）与线性回归（Linear Regression）都是一种广义线性模型（generalized linear model）。逻辑回归假设因变量 y 服从伯努利分布，而线性回归假设因变量 y 服从高斯分布。 因此与线性回归有很多相同之处，去除Sigmoid映射函数的话，逻辑回归算法就是一个线性回归。可以说，逻辑回归是以线性回归为理论支持的，但是逻辑回归通过Sigmoid函数引入了非线性因素，因此可以轻松处理0/1分类问题。