j
T-RAX
lan
展开
-
代码角度分析DeepFM
代码角度分析DeepFMDeepFM架构程序中的输出FMDEEPself.out数据集XiXvy过程embeddingsy_first_ordery_second_orderDeeploss参考 DeepFM架构 embedding+Factorization machines(FM)+Deep 程序中的输出 很明显,又两个部分组成FM+DEEP FM 前者由y_first_order与y_second_order组成(对应FM的两个部分)维度分别为特征下标与embedding矩阵的size DEE原创 2020-08-18 17:26:41 · 339 阅读 · 0 评论 -
损失函数loss总结
损失函数loss总结1.What2.常见的损失函数回归任务均方误差补充分类任务交叉熵(cross entropy)3.未完待续 1.What 在机器学习中,损失函数(loss function)是用来估量模型的预测值f(x)与真实值y的不一致程度。 2.常见的损失函数 回归任务 均方误差 一般最常用 E(f;D)=1m∑i=1m(f(xi)−yi)2 E(f;D)= \frac{1}{m} \sum_{i=1}^{m} (f(x_{i})-y_{i})^2 E(f;D)=m1i=1∑m(f(xi)−y原创 2020-07-10 16:08:23 · 1281 阅读 · 0 评论 -
线性回归,逻辑回归总结
线性模型总结1.线性回归目标loss多元线性回归3.对数线性回归与广义线性模型对数线性回归广义线性模型对数几率回归对数几率函数表现形式loss补充 1.线性回归 学得 f(xi)=ωTxi+b,使得f(x)≃yi f(x_{i})=\omega ^ T x_{i} + b,使得f(x)\simeq y_{i} f(xi)=ωTxi+b,使得f(x)≃yi 目标 拟合数据 loss 均方误差 ----->目标 (ω∗,b∗)=arg max(ω,b)∑i=1m(f(xi)−yi)2 (\omeg原创 2020-07-09 17:34:33 · 473 阅读 · 0 评论 -
AUC相关问题
AUC相关问题1.What混淆矩阵ROC曲线2.How绘制ROC曲线AUC3.Why为何AUC作为评价指标补充 1.What 混淆矩阵 真实\预测 预测正例 预测反例 正例 TP(真正例) FN(假反例) 反例 FP(假正例) TN(真反例) TPR = TP/(TP+FN) 真正例率 FPR = FP/(TN+FP) 假正例率 ROC曲线 前者为纵轴 后者为横轴 画一曲线—即ROC曲线 ROC曲线所围成的面积即AUC (Area Under ROC Curve) 2.How 绘原创 2020-07-09 15:32:58 · 465 阅读 · 0 评论