發(fā)簡信
IP屬地：內(nèi)蒙古
-
模型效果上限預(yù)估、分類模型Bad Case分析方法
模型效果上限預(yù)估、分類模型Bad Case分析方法 給定訓(xùn)練和測試數(shù)據(jù)集，訓(xùn)練某個二分類模型（如，GBDT算法），我們通過交叉驗證的方法得到了一...
-
機(jī)器學(xué)習(xí)模型交叉驗證腳本
機(jī)器學(xué)習(xí)模型交叉驗證腳本 本文以阿里云機(jī)器學(xué)習(xí)平臺上的 ps_smart （GBDT）算法為例，提供一個搜索最佳超參數(shù)的交叉驗證任務(wù)的bash腳...
-
1天學(xué)會開發(fā)工業(yè)級推薦系統(tǒng)的特征工程代碼:保姆級教程一、推薦算法為何要精做特征工程 機(jī)器學(xué)習(xí)工作流就好比是一個廚師做菜的過程，簡單來說，清洗食材對應(yīng)了清洗數(shù)據(jù)，食材的去皮、切片和搭配就對于了特征工...
-
工業(yè)級推薦系統(tǒng)中的特征工程摘要：深度學(xué)習(xí)時期，與CV、語音、NLP領(lǐng)域不同，搜推廣場景下特征工程仍然對業(yè)務(wù)效果具有很大的影響，并且占據(jù)了算法工程師的很多精力。數(shù)據(jù)決定了效...
-
推薦冷啟動召回模型DropoutNet深度解析與改進(jìn)為什么需要冷啟動 通常推薦系統(tǒng)通過協(xié)同過濾、矩陣分解或是深度學(xué)習(xí)模型來生成推薦候選集，這些召回算法一般都依賴于用戶-物品行為矩陣。在真實的推薦系...
-
推薦模型離線評測效果好，線上效果卻不佳的原因在推薦算法領(lǐng)域，時常會出現(xiàn)模型離線評測效果好，比如AUC、準(zhǔn)召等指標(biāo)大漲，但上線后業(yè)務(wù)指標(biāo)效果不佳，甚至下降的情況，比如線上CTR或CVR下跌。...
-
推薦算法效果不佳時的檢查清單
有時候我們會遇到推薦算法上線之后，效果不如預(yù)期的情況。這種情況下，該如何改進(jìn)呢？ 下面就嘗試列出一些檢查清單，按照重要性的順序，建議從上往下依次...
-
多任務(wù)學(xué)習(xí)算法在推薦系統(tǒng)中的應(yīng)用粗略來看，推薦算法可以簡單地分為召回和排序兩個階段。召回模塊負(fù)責(zé)從海量的物品庫里挑選出用戶可能感興趣的物品子集，過濾之后通常返回幾百個物品。排序...
-
全網(wǎng)最淺顯易懂的GBDT(xgboost)算法原理深入剖析梯度提升（Gradient boosting）是一種用于回歸、分類和排序任務(wù)的技術(shù)，屬于Boosting算法族的一部分。Boosting是一族可...