最爱丁珰

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

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

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

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

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

摘要： 深度神经网络的工作模式见上，浅层的神经元在找一些很简单的特征（因为接触的是最原始的数据，所以相当于在浓缩），比如边缘检测（哪里有一条边），深层的神经元就是把浅层的神经元的浓缩数据合起来（不同的边结合起来就可以变成一个眼睛鼻子等等） 再举一个语音识别的例子。当神经网络拿到一个音频的时候，浅层的神经元在 阅读全文

摘要： 看到一大堆NaN了就是梯度爆炸了 式\((8.25)\)的\(g\)是所有层的梯度，这个式子的意思就是说如果\(g\)的长度太长，我们就把他拉回来 阅读全文

摘要： 比较简单的贪心 首先按照\(t_1,t_2\)中连续的\(1\)将其分成若干段。以样例为例，\(t_1=111010\)，那么第一段是\(s_1[1\sim3]\)，第二段是\(s_1[5]\)；\(t_2=101101\)，那么第三段是\(s_2[1]\)，第四段是\(s_2[3\sim4]\)， 阅读全文

摘要： 考虑一下正确性：在递归树上任意一点，任意一个查询操作，所有对其的影响一定会计入到树状数组中。分情况讨论。对于最开始的初始化操作，所有在\([L,R]\)的操作肯定都在当前操作序列的最前面。对于后面的修改操作，如果是\(-1\)标记，那么其对应的添加操作一定也在当前操作序列里面，而且在这个\(-1\) 阅读全文

摘要： y.backward(torch.ones_like(x))这行代码，之所以要给backward()函数传参数，是因为现在y是一个张量了，不能直接backward().参数的意义：假设参数w是一个参量，那么由于y是一个向量，x也是一个向量，所以 \[\frac{\partial y}{\partia 阅读全文