綜述 GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，是一種...
IP屬地：北京
-
GBDT：梯度提升決策樹 -
K-Means聚類算法理論與代碼實踐簡介 K均值聚類，也叫做K-Means Clustering，是一種著名的用于分類問題的無監(jiān)督機器學(xué)習(xí)聚類算法。聚類是針對給定的樣本， 依靠它們特征的相似度或者距離，將其歸到...
-
Visual Transformer (ViT)模型結(jié)構(gòu)以及原理解析簡介 Visual Transformer (ViT) 出自于論文《AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE...
-
Transformer模型詳細(xì)介紹簡介 Transformer出自于Google于2017年發(fā)表的論文《Attention is all you need》[https://arxiv.org/abs/170...
-
Visual Transformer (ViT) 代碼實現(xiàn) PyTorch版本簡介 本文的目的是通過實際代碼編寫來實現(xiàn)ViT模型，進(jìn)一步加對ViT模型的理解，如果還不知道ViT模型的話，可以先看下博客[http://www.itdecent.cn/p...
-
集成學(xué)習(xí)——Bagging和Boosting簡介 集成學(xué)習(xí)，顧名思義就是將多種學(xué)習(xí)器或算法結(jié)合在一起，共同做出決策。這符合人類集思廣益的做法，在業(yè)界也是應(yīng)用最為廣泛的方法之一。注意，集成學(xué)習(xí)的本質(zhì)是如何找到不同的模型，...
-
機器學(xué)習(xí)中的特征工程（五）---- 特征選擇方法
簡介 大概是今年6月份參加微信大數(shù)據(jù)挑戰(zhàn)賽的時候，我才開始認(rèn)識到特征選擇也是機器學(xué)習(xí)中非常重要的一環(huán)。在諸如CTR等比賽中，原始特征往往是不足以挖掘出數(shù)據(jù)中隱藏的信息的，因此...
-
ID3、C4.5、CART決策樹生成算法總結(jié)簡介 決策樹模型是最常見的機器學(xué)習(xí)方法之一，也是入門機器學(xué)習(xí)必須掌握的知識。決策樹模型呈現(xiàn)樹形結(jié)構(gòu)，在分類問題中，表示基于特征對實例進(jìn)行分類的過程。它可以認(rèn)為是if-then...
-
機器學(xué)習(xí)中的特征工程（四）---- 特征離散化處理方法簡介 特征離散化指的是將連續(xù)特征劃分離散的過程：將原始定量特征的一個區(qū)間一一映射到單一的值。離散化過程也被表述成分箱（Binning）的過程。特征離散化常應(yīng)用于邏輯回歸和金融...