- 博客(6)
- 资源 (9)
- 收藏
- 关注
RSS订阅转载 回归模型常见的损失函数
注意：如果图片不显示，请建议科学上网或者使用VPN。机器学习中的所有算法都依赖于最小化或最大化函数，我们将其称为“目标函数”。最小化的函数组称为“损失函数”。损失函数是衡量预测模型在能够预测预期结果方面的表现有多好的指标。寻找最小值的最常用方法是“梯度下降”。想想这个函数的作用，如起伏的山脉和梯度下降就像滑下山到达最低点。没有一种损失函数适用于所有类型的数据。它取决于许多因素，包括异常值的存在，机器学习算法的选择，梯度下降的时间效率，易于找到衍生物和预测的置信度。损失函数可大致分为两类：分类和回归
2021-08-25 18:45:37
2997
1
转载 基于上下文的推荐 -- 包括时间衰减算法和位置推荐算法（代码实现）
基于上下文的推荐 基于时间特征的推荐 时间衰减 基于时间衰减的ItemCF算法 算法核心两部分，都加入了时间衰减项 以movielens数据集实现ItemCF 基于时间衰减的UserCF算法 以movielens数据集实现UserCF 基于地点和热度推荐 原理（包含三种数据集）...
2021-08-23 10:56:57
1573
转载 ###好好好#####BOOM！推荐系统遇上多模态信息
推荐已经成为许多在线内容共享服务的核心组成部分，从图像、博客公众号、音乐推荐、短视频推荐等等。与传统推荐不一样的地方，就是这些项目内容包含着丰富的多媒体信息-帧、音轨和描述，涉及多种形式的视觉、声学和文本信息。「那么如此丰富的多媒体、多模态信息如何融合到推荐中呢？」最普通也是最直接的方式可能就是对多模态抽特征，然后多模态融合直接作为side Information或者item的representation之后参与到推荐中的。本篇博文主要整理三篇整合多模态信息到表示中的文章，一篇是通用的融合结果，
2021-08-11 11:52:22
358
转载 推荐系统炼丹笔记：多模态推荐之用户评论篇
作者：一元 公众号：炼丹笔记目前非常多的推荐系统主要使用用户的一些基础反馈信息来作为最终的标签进行模型的训练,例如点击/购买等,但是却鲜有文章去进一步挖掘用户的其它反馈,例如用户对于该产品的评论,很多的评论相较于点击等反馈更加具有表示性,比如你经常向一个用户推荐一类商品,该商品虽然点击率很高,但是该用户之前已经评论了恶心之类的，这么继续推下去的化很可能使得该用户不再使用该软件。所以推荐系统里面的用户评论是否有用呢,按理说是有用的,比如有些不良的商品点击率极高,但是评论却极差,通过挖掘评论的信息.
2021-08-11 11:42:26
447
转载 【干货】今日头条的新闻推荐算法原理
信息越来越海量，用户获取信息越来越茫然，而推荐算法则能有助于更好的匹配海量内容和用户需求，使之更加的“有的放矢” 。为让产业各方更好的了解算法分发的相关技术和原理，我们特整理了当下最具影响力的平台的相关干货，和各方分享。本期微信，我们将推荐影视类的Netflix和新闻类的今日头条的算法技术。今天，算法分发已经是信息平台、搜索引擎、浏览器、社交软件等几乎所有软件的标配，但同时，算法也开始面临质疑、挑战和误解。今日头条的推荐算法，从2012年9月第一版开发运行至今，已经经过四次大的调整和修改。今日头条
2021-08-02 16:33:22
6388
转载 一 安装Ubuntu+配置环境+安装TensorRT
最近研究推理加速，涉及到TensorRT，加上之前一直也想搞个Ubuntu系统，所以就打算一步到位，双系统安排。刻录U盘的前期步骤可以参考文章：windows10安装ubuntu双系统教程（绝对史上最详细） - 不妨不妨，来日方长 - 博客园www.cnblogs.com这里注意前期不用分区，那些分区的步骤直接跳过，我自己最开始就是按照分区进行安装，一直有问题，所以这里不建议参考分区。当安装Ubuntu的时候，注意以下选择：准备事项注：如果网络和空间匀速，建议选择“安装中下载更
2021-08-01 22:21:05
335
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人