思維導(dǎo)圖如下： 在機器學(xué)習(xí)應(yīng)用中，特征工程扮演重要的角色，可以說特征工程時機器學(xué)習(xí)應(yīng)用的基礎(chǔ)。我們都知道，數(shù)據(jù)和特征決定了機器學(xué)習(xí)算法的上限，而模型和算法只是不斷逼近這個上限...
發(fā)簡信
IP屬地：陜西
-
美團機器學(xué)習(xí)實踐第二章-特征工程總結(jié) -
美團機器學(xué)習(xí)實踐第一章-問題建?？偨Y(jié)思維導(dǎo)圖如下： 機器學(xué)習(xí)解決問題的通用流程 問題建模-特種工程-模型選擇-模型融合。 問題建模應(yīng)包含三方面的內(nèi)容：評估指標、樣本選擇、交叉驗證。 評估指標 評估指標很多，我們...
-
評分卡模型開發(fā)-定量特征篩選
在模型開發(fā)中，并不是所有的特征要全部篩選進模型，因為金融數(shù)據(jù)一般特征有很多，如果全部放入模型，一方面可能會引起“維度災(zāi)難”，另一方面得到的結(jié)果也許并不是最好的，因為有些特征之...
-
深度學(xué)習(xí)--biLSTM_CRF 命名實體識別前文 中文分詞、詞性標注、命名實體識別是自然語言理解中，基礎(chǔ)性的工作，同時也是非常重要的工作。在很多NLP的項目中，工作開始之前都要經(jīng)過這三者中的一到多項工作的處理。在深度學(xué)...
-
-
分類模型評估指標本篇先考慮二分類問題，記錄常用到的評估指標。 混淆矩陣 假設(shè)在訓(xùn)練之前和預(yù)測之后，一個樣本的標記是確定的兩個類別，一個是真實的1/0，一個是預(yù)測的1/0，其中1表示正例、0表...
-
第三章：數(shù)據(jù)探索3.1餐飲銷售額數(shù)據(jù)異常值檢測 2數(shù)據(jù)特征分析 分布分析：分布分析能揭示數(shù)據(jù)的分布特征和分布類型；定量數(shù)據(jù)的分布分析； 3Python主要數(shù)據(jù)探索函數(shù)： python中用于數(shù)...
-
深度學(xué)習(xí)--Lstm+CNN 文本分類本文從實踐的角度，來講一下如何構(gòu)建LSTM+CNN的模型對文本進行分類。 本文Github RNN網(wǎng)絡(luò)與CNN網(wǎng)絡(luò)可以分別用來進行文本分類。RNN網(wǎng)絡(luò)在文本分類中，作用是用來...
-
深度學(xué)習(xí)--RNN+Attention 文本分類之前介紹過RNN的分類，本文介紹一下使用預(yù)訓(xùn)練詞向量進行RNN+Attention的分類模型。 下面來正式開始，RNN+Attention在tensorflow中的實現(xiàn)。 運...
