摘要： “探索推荐引擎内部的秘密”系列将带领读者从浅入深的学习探索推荐引擎的机制，实现方法，其中还涉及一些基本的优化方法，例如聚类和分类的应用。同时在理论讲解的基础上，还会结合 Apache Mahout 介绍如何在大规模数据上实现各种推荐策略，进行策略优化，构建高效的推荐引擎的方法。本文作为这个系列的第一... 阅读全文

摘要： 一、决策树分类算法概述 决策树算法是从数据的属性（或者特征）出发，以属性作为基础，划分不同的类。例如对于如下数据集（数据集）其中，第一列和第二列为属性（特征），最后一列为类别标签，1表示是，0表示否。决策树算法的思想是基于属性对数据分类，对于以上的数据我们可以得到以下的决策树模型（决策树模型）先是... 阅读全文

摘要： 一、BP神经网络的概念 BP神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的。具体来说，对于如下的只含一个隐层的神经网络模型：(三层BP神经网络模型)BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误... 阅读全文

摘要： python -> shell：1.环境变量[python]view plaincopyimportosvar=123或var=’123’os.environ[’var’]=str(var)#environ的键值必须是字符串os.system(’echo$var’)[python]view plai... 阅读全文

摘要： 一、数据降维 对于现在维数比较多的数据，我们首先需要做的就是对其进行降维操作。降维，简单来说就是说在尽量保证数据本质的前提下将数据中的维数降低。降维的操作可以理解为一种映射关系，例如函数，即由原来的二维转换成了一维。处理降维的技术有很多种，如前面的SVD奇异值分解，主成分分析(PCA)，因子分析(... 阅读全文

摘要： 一、SVD奇异值分解的定义 假设是一个的矩阵，如果存在一个分解：其中为的酉矩阵，为的半正定对角矩阵，为的共轭转置矩阵，且为的酉矩阵。这样的分解称为的奇异值分解，对角线上的元素称为奇异值，称为左奇异矩阵，称为右奇异矩阵。二、SVD奇异值分解与特征值分解的关系 特征值分解与SVD奇异值分解的目的都是... 阅读全文

摘要： 一、聚类算法的简介 聚类算法是一种无监督的学习算法，主要用于将相似的对象自动归到一个类别中。聚类算法与分类算法最大的区别是：聚类算法是无监督的学习算法，而分类算法是有监督的学习算法。这里提到的相似的对象，基于不同的相似度计算，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。二、kMeans... 阅读全文

摘要： 一、线性回归的概念 对连续型数据做出预测属于回归问题。举个简单的例子：例如我们在知道房屋面积(HouseArea)和卧室的数量(Bedrooms)的情况下要求房屋的价格(Price)。通过一组数据，我们得到了这样的关系：这样的关系就叫做线性回归方程，其中为回归系数。当我们知道房屋面积以及卧室数量时... 阅读全文

摘要： 推荐系统的误区回想起来，我也算是国内接触推荐系统较早的人之一了，最近和人聊天，觉得不少人对推荐系统有所误解，以为需要多么高大上的算法才能搭建起来的，我只想说我经常说的那句话【不是这样的】，所以有了这篇文章。第一次接触【推荐系统】是在两年前在某高校的互联网信息处理实验室的时候，那时候，【机器学习】和【... 阅读全文

摘要： WEB数据挖掘建立在对大量的网络数据进行分析的基础上，采用相应的数据挖掘算法，在具体的应用模型上进行数据的提取、数据筛选、数据转换、数据挖掘和模式分析，最后做出归纳性的推理、预测客户的个性化行为以及用户习惯，从而帮助进行决策和管理，减少决策的风险。WEB数据挖掘涉及多个领域，除数据挖掘外，还涉及计算... 阅读全文