![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
super_chiry
rs, ml, dl, 驱动开发
展开
-
推荐系统中的特征工程
文章目录推荐系统中的特征工程1. 构建特征工程需要遵循的基本原则2. 推荐系统中的常用特征2.1 用户行为数据2.2 用户关系数据2.3 属性,便签类数据2.4 内容类数据2.5 上下文信息2.6 统计类信息2.7 组合类特征3. 常用的特征处理方法3.1 连续型特征3.2 类别型特征4. 特征工程与业务理解推荐系统中的特征工程机器学习模型的学习能力边界在于数据的拟合和泛华,数据的表达以及特征工程本身决定了机器学习的上限。为构建一个“好”的特征工程,需要依次解决三个问题:构建特征工程需要遵循的基本原原创 2020-08-23 23:26:31 · 476 阅读 · 0 评论 -
集成学习:Bagging、Boosting、Stacking、Blending
集成学习按大类分也可以分为串行集成方法和并行集成方法。串行模型利用模型之间的依赖性,给错误分类样本一个较大的权重来提升模型的性能。而并行模型主要领用不同模型的差异性,加权平均之后能够较大的降低误差。BaggingBagging是引导聚合的意思。减少一个估计方差的一种方式就是对多个估计进行平均。例如可以将训练集通过多折分为不同的训练集剩下的作为验证集,而最后预测的结果采用多折预测每个模型的平均结果。Bagging使用装袋采样来获取数据子集训练基础学习器。通常分类任务使用投票的方式集成,而回归任务通过平原创 2020-07-02 12:34:01 · 459 阅读 · 0 评论