ZDK's blog

如何利用id类特征机器学习中如何利用id类特征？ - 知乎 为什么用会极大提高模型的个性化能力和实际效果。而且可以对抗热度穿透现象。 直接加入id类特征，尽管并不能实现完全的个性化，但是可以把每个用户的行为模式区分开，从而提高了其他特征的泛化能力。 例如有两个id和一项特征来进行一个回归预测。一个id是正常用户，一个id是刷子用户。式子可以表示为w1x1+w2x2+w3x3=rate对于正常... 阅读全文…

30s to KerasThe core data structure of Keras is a model,The simplest type of model is the Sequential model, a linear stack of layers. ... 阅读全文…

转 逻辑回归LR的特征为什么要先离散化逻辑回归LR的特征为什么要先离散化 - yang090510118的专栏 - CSDN博客 在工业界，很少直接将连续值作为特征喂给逻辑回归模型，而是将连续特征离散化为一系列0、1特征交给逻辑回归模型，这样做的优势有以下几点： 稀疏向量内积乘法运算速度快，计算结果方便存储，容易scalable（扩展）。 离散化后的特征对异常数据有很强的鲁棒性：比如一个特... 阅读全文…

featexphttps://towardsdatascience.com/my-secret-sauce-to-be-in-top-2-of-a-kaggle-competition-57cff0677d3c feature understandingif target is binary, scatter is not very useful. ... 阅读全文…

美团 特征提取 ... 阅读全文…

Kaggle_CrowdFlowerGitHub - ChenglongChen/Kaggle_CrowdFlower: 1st Place Solution for Search Results Relevance Competition on Kaggle (https://www.kaggle.com/c/crowdflower-search-relevance)1st Place S... 阅读全文…

XGBoost调参XGBoost参数调优完全指南（附Python代码） - 知识天地 - 博客园 XGBoost的优势 正则化，标准GBM的实现没有像XGBoost这样的正则化步骤。正则化对减少过拟合也是有帮助的。 并行处理，XGBoost可以实现并行处理，相比GBM有了速度的飞跃。主要不是生成树的Boosting阶段，而是计算gain的阶段。 高度的灵活性，XGBoost 允许用户定义自定... 阅读全文…