最爱丁珰

2025年2月13日

摘要：编码器是一个没有输出的RNN 这里的nn.Embbeding见下下面我们用一个具体的例子说明 PyTorch 中 nn.Embedding 的输出。假设： import torch import torch.nn as nn # 创建嵌入层 # 参数说明： # num_embeddings=3 → 阅读全文

posted @ 2025-02-13 15:58 最爱丁珰阅读(21) 评论(0) 推荐(0)

11.2.3 约束

摘要： “惩罚”那里，相当于对\(L_2\)正则化换了一种理解方法，我们给定了超参数\(\lambda\)（假设\(\lambda\)是最优的），去求解\(w\)，相当于在求解极大极小问题，根据对偶性，可以转成极小极大问题，于是可以转换成带有约束的最优化问题，而这个约束就是限制\(w\)的\(L_2\)范数阅读全文

posted @ 2025-02-13 15:27 最爱丁珰阅读(7) 评论(0) 推荐(0)

11.1.1 优化和目标

摘要：这里的\(f\)就是期望函数，而\(g\)就是在\(f\)的基础上加了噪声，所以是经验风险阅读全文

posted @ 2025-02-13 12:40 最爱丁珰阅读(9) 评论(0) 推荐(0)

2025年2月12日

第一课泰坦尼克号预测

摘要：目录导入数据将训练数据与测试数据合并查看数据描述性统计查看是否有异常值查看特征与标签之间的关系查看标签是否有偏态数据预处理填充缺失值特征工程特征创造同组识别筛选子集建模导入数据将训练数据与测试数据合并查看数据描述性统计查看是否有异常值看看各个数据是否偏态，最值是否异常查看特征与标签之间的阅读全文

posted @ 2025-02-12 12:13 最爱丁珰阅读(31) 评论(0) 推荐(0)

2025年2月11日

4.2 朴素贝叶斯法的参数估计

摘要：利用极大似然估计计算概率对于先验概率\(P(Y)\)，似然函数为\(L=\underset{i=1}{\overset{m}{\prod}}P(Y=y_i)\)，对数似然函数为\(l=\underset{i=1}{\overset{m}{\sum}}\log P(Y=y_i)\)，注意到有约束条件阅读全文

posted @ 2025-02-11 22:30 最爱丁珰阅读(45) 评论(0) 推荐(0)

第三课排序与CTR预估问题

摘要：这里主要是在线广告的运用。广告一般采取CPC模式付费，即按照点击率付费，其中点击率\(\text{CTR}=\frac{C}{I}\times100\%\)，\(C\)是点击次数，\(I\)是曝光次数。注意对于平台来说，不是说点击率越高收入就越高，这个要看商家为广告一次点击付的费用（一般来说，点击率阅读全文

posted @ 2025-02-11 16:15 最爱丁珰阅读(46) 评论(0) 推荐(0)

第二课经济金融案例实战

摘要：目录导入数据并观察合并数据提取出标签并对标签进行处理合并训练集和测试集变量转化正确化变量属性对分类型特征进行独热编码填写数值型特征的缺失值标准化数值型特征建立模型分出训练集和测试集集成StackinhgBaggingBoostingXGBoost提交结果导入数据并观察合并数据这里可能有个问题。阅读全文

posted @ 2025-02-11 00:38 最爱丁珰阅读(17) 评论(0) 推荐(0)

2025年2月10日

第一课通用流程

摘要：其中\(\text{KNN}\)使用已经很少了，\(\text{SVM}\)在中小型数据集上表现很好目录了解场景和目标了解评估准则认识数据数据预处理数据清洗数据采样特征工程特征处理数值型类别型时间类文本型统计型组合特征特征选择过滤法包装法嵌入法模型融合BaggingStackingBoosting 阅读全文

posted @ 2025-02-10 23:32 最爱丁珰阅读(11) 评论(0) 推荐(0)

2025年1月31日

14.1.1 为何独热向量是一个糟糕的选择

摘要：我们之前都是用独热编码表示单词的，可能会出现下面的问题显然，对于第二个句子的空格，我们也应该填写"juice"，但是目前没有任何的机制表明"apple"与"orange"的关系比"apple"与"man"等的关系更近，所以我们不一定填的出来此时可以使用词嵌入，如下绝对值大小表示相关性。此时一个阅读全文

posted @ 2025-01-31 21:21 最爱丁珰阅读(24) 评论(0) 推荐(0)

2025年1月27日

若干文本

摘要： 4.1.2 基于 CatBoost 的缺失值填充在数据预处理过程中，为确保模型训练数据的完整性，需对数据集 dataset1 和 dataset3 中的缺失值进行高效填充。针对多维度、多变量的缺失值问题，本研究采用基于梯度提升决策树（Gradient Boosting Decision Tree, 阅读全文

posted @ 2025-01-27 00:15 最爱丁珰阅读(62) 评论(0) 推荐(0)

公告