登录
专栏 1 关注 6 篇文章
学渣的推荐算法学习之路
封面再次夹带私货
Nexus_G
关注专栏
推荐文章
举报
4 年前  /  Nexus_G

推荐算法菜鸟的学习笔记(5)—— XGBoost算法分享

XGBoost是什么XGBoost本质上是一个GBDT,但是力争把速度和效率发挥到极致,所以叫X (Extreme) GBoostedXGBoost 树定义定义与举例预测一家人对电子游戏的喜爱程度,考虑到年龄相比,年轻人更可能喜欢电子游戏,男性和女性相比,男性更喜欢电子游戏,故先根据年龄大小区分成年人和未成年人,然后再通过性别区分开是男是女,逐一给各人在电子游戏喜好程度上打分,如下图所示。就这样,训练出了2棵树tree1和tree2,类似之前GBDT的原理,两棵树的结论累加起来便是最终的结论,所

0 赞 0 评论
收藏
4 年前  /  Nexus_G

推荐算法菜鸟的学习笔记(4)—— GBDT算法分享其二

梯度提升和梯度下降的区别和联系是什么?下表是梯度提升算法和梯度下降算法的对比情况。可以发现,两者都是在每一轮迭代中,利用损失函数相对于模型的负梯度方向的信息来对当前模型进行更新,只不过在梯度下降中,模型是以参数化形式表示,从而模型的更新等价于参数的更新。而在梯度提升中,模型并不需要进行参数化表示,而是直接定义在函数空间中,从而大大扩展了可以使用的模型种类。GBDT的优点和局限性有哪些?优点预测阶段的计算速度快,树与树之间可并行化计算。在分布稠密的数据集上,泛化能力和表达能力都很好,这使得GBDT

0 赞 0 评论
收藏
4 年前  /  Nexus_G

推荐算法菜鸟的学习笔记(3)—— GBDT算法分享其一

GBDT 算法GBDT(Gradient Boosting Decision Tree),全名叫梯度提升决策树,使用的是Boosting的思想。Boosting 思想Boosting方法训练基分类器时采用串行的方式,各个基分类器之间有依赖。它的基本思路是将基分类器层层叠加,每一层在训练的时候,对前一层基分类器分错的样本,给予更高的权重。测试时,根据各层分类器的结果的加权得到最终结果。Bagging与Boosting的串行训练方式不同,Bagging方法在训练过程中,各基分类器之间无强依赖,可以进

0 赞 0 评论
收藏
4 年前  /  Nexus_G

推荐算法菜鸟的学习笔记(2)—— 群组推荐survey二次整理

A survey on group recommender systems论文记录1. 群组推荐系统的大多数现有方法可以大致分为:通过汇总单个成员个人资料并根据该个人资料推荐项目来创建个人资料(Kim等,2010)。通过向小组用户生成个性化推荐,然后将它们汇总为一个小组推荐(Kim and El Saddik 2015)。1.1 群组推荐系统也可以根据系统推荐的群组类型进行分类。 基于组用户之间的交互,主要可以分为三种类型(Boratto和Carta 2010)。已建立的群组:一群基于共同兴趣明

1 赞 1 评论
收藏
4 年前  /  Nexus_G

推荐算法菜鸟的学习笔记(1)—— 推荐系统的简单介绍

推荐系统 Recommender system1. 背景它是根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好,进行个性化计算,由系统发现用户的兴趣点,从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务,还能和用户之间建立密切关系,让用户对推荐产生依赖。2. 定义推荐系统有3个重要的模块:用户建模模块、推荐对象建模模块、推荐算法模块。通用的推荐系统模型流程如图。推荐系统把用户模型中兴趣需求信

0 赞 1 评论
收藏