2019年04月___盛夏光年__

12月 11月 10月 09月 08月 07月 05月 04月 03月 02月 01月

转载【转载】word2vec 中的数学原理详解

文章目录一、前言二、预备知识三、背景知识四、基于 Hierarchical Softmax 的模型五、基于 Negative Sampling 的模型六、若干源码细节原文传送门：word2vec 中的数学原理详解word2vec 是 Google 于 2013 年开源推出的一个用于获取 word vector 的工具包，它简单、高效，因此引起了很多人的关注。由于 word2vec 的作者 To...

2019-04-17 11:12:35 211

原创集成学习(ensemble learning)(四)

该篇为集成学习的第四篇，主要关注GDBT，传送下之前的文章：集成学习(ensemble learning)(一)集成学习(ensemble learning)(二)集成学习(ensemble learning)(三)

2019-04-16 14:36:28 575

原创【数据竞赛】“达观杯”文本智能处理挑战赛6——模型优化

文章目录一、超参数1、网格搜索2、随机搜索3、贝叶斯优化二、Stacking1、核心图解（1）构建新的训练集（2）构建新的测试集（3）最终的训练与预测2、示例（1）构建新的训练集（2）构建新的测试集（3）多模型的处理（4）最终的训练与预测三、实现一、超参数优化可以分为参数优化和超参数优化。其中，可学习的参数通过优化算法可以进行优化；还有一类参数是用来定义模型结构或优化策略的，这类参数称为超参数...

2019-04-15 21:43:36 394

原创集成学习(ensemble learning)(三)

集成学习系列第三篇（Boosting相关方法），传送前两篇：集成学习(ensemble learning)(一)集成学习(ensemble learning)(二)文章目录一、一、

2019-04-14 21:10:53 509

原创【数据竞赛】“达观杯”文本智能处理挑战赛５

一、LightGBM模型1、XGBoost缺点每轮迭代时，都需要遍历整个训练数据多次。如果把整个训练数据装进内存则会限制训练数据的大小；如果不装进内存，反复地读写训练数据又会消耗非常大的时间。预排序方法（pre-sorted）：首先，空间消耗大。这样的算法需要保存数据的特征值，还保存了特征排序的结果（例如排序后的索引，为了后续快速的计算分割点），这里需要消耗训练数据两倍的内存。其次时间上也...

2019-04-13 21:29:40 217

原创集成学习(ensemble learning)(二)

接上一篇：集成学习(ensemble learning)。本篇对集成学习中的 Bagging 和随机森林算法进行总结。一、Bagging原理Bagging 的弱学习器之间没有依赖关系，可以并行计算。1、随机采样（BootStrap）自助法，即有放回的采样，也就是说，之前采集到的样本在放回后有可能继续被采集到。一般来讲，随机采样的样本数量和训练集样本数量一致为m，但是两者内容不同。若...

2019-04-13 15:19:24 820

原创【爬虫】Scrapy爬取腾讯社招信息

目标任务：爬取腾讯社招信息，需要爬取的内容为：职位名称，职位的详情链接，职位类别，招聘人数，工作地点，发布时间。一、预备基础1、Scrapy简介Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛，可用于数据挖掘、监测和自动化测试。Scrapy 使用了 Twisted 异步网络库来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，...

2019-04-12 23:31:00 1087 1

原创集成学习(ensemble learning)(一)

集成学习(ensemble learning)不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。集成学习可以用于分类问题集成，回归问题集成，特征选取集成，异常点检测集成等等，可以说所有的机器学习领域都可以看到集成学习的身影。一、集成学习概述基本思想：对于训练集数据，我们通过训练若干个个体学习器，通过一定的结合策略，就可以最终形成一个强学习器。http://www.c...

2019-04-12 11:26:32 559

原创【数据竞赛】“达观杯”文本智能处理挑战赛4

一、逻辑回归逻辑回归（Logistic Regression, LR）是一种常用的处理两类分类问题的线性模型。1、概率估计LR 模型计算输入特征的加权和（加上偏差项），之后将中间结果输入 logistic() 函数进行二次加工后输出。逻辑回归模型的概率估计（向量形式）p^=hθ(x)=σ(θT⋅x)\hat{p}=h_\theta(x)=\sigma(\theta^T·x)p^=hθ...

2019-04-11 21:32:35 163

原创【数据竞赛】“达观杯”文本智能处理挑战赛3

学习word2vec词向量原理并实践，用来表示文本要求：分享学习笔记和代码，【只有代码的等于没有完成】参考资料1）CS224：https://www.bilibili.com/video/av41393758/?p=22）https://github.com/Heitao5200/DGB/blob/master/feature/feature_code/train_word2vec.py...

2019-04-09 20:28:23 738

原创【工具】镜像源

一、pip国内源：豆瓣：http://pypi.douban.com/simple/清华：https://pypi.tuna.tsinghua.edu.cn/simple阿里云：http://mirrors.aliyun.com/pypi/simple/中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/华中理工大学：http://pypi....

2019-04-08 21:45:19 180

原创【数据竞赛】“达观杯”文本智能处理挑战赛２

文章目录一、TF_IDF原理1、TF（item frequency）2、逆向文件频率IDF（inverse document frequency）3、TF－IDF二、TF-IDF算法实现1、方法一2、方法二三、达观实践一、TF_IDF原理TF-IDF（Term Frequency - Inverse Document Frequency，词频-逆文本频率）。TF-IDF是一种统计方法，用以评...

2019-04-06 15:30:20 348

原创【数据竞赛】“达观杯”文本智能处理挑战赛１

一、数据竞赛简介“达观杯”文本智能处理挑战赛１、任务建立模型通过长文本数据正文(article)，预测文本对应的类别(class)２、数据传送门：链接: https://pan.baidu.com/s/11AOOn0xlv0TZjGeFfRc3Rw 提取码: 58r9数据包含2个csv文件：train_set.csv：此数据集用于训练模型，每一行对应一篇文章。文章分别在“字”和“词...

2019-04-05 13:06:31 544

原创【工具】ubuntu下在百度云文件

文章目录１、安装 Chrome 插件 baiduexporter２、安装 Aria2３、下载文件１、安装 Chrome 插件 baiduexporter传送门：链接: https://pan.baidu.com/s/1HEotrEDnHab3Tcj4NRuSBQ 提取码: 4qk9在Chrome浏览器中新开一个Tab，输入以下可以跳转到浏览器的插件管理chrome://extensi...

2019-04-05 10:24:48 804