- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习AI算法工程
挖掘算法&模型
，即使用什么算法与模型去解决这个问题；进而进行模型评估，即采用一些指标评价模型的好坏程度；然后，进行模型发布，即当模型的效果达到设定值之后，我们将模型进行上线发布；最后，进行模型更新，即使用后面的新生数据对模型进行更新 常用的数据挖掘与机器学习模型包括分类模型、回归模型、聚类模型、预测模型、关联挖掘模型等。它们分别解决不同的任务以及不同的数据处理方式，并且每种模型中有着众多不同的算法，每种算法都适应不同的场景。 不同的分类算法适应着不同的应用场景。在选择分类算法是，需要考虑它们的有缺点。比如特别关注分类准确度，那么可以分别使用上述的分类算法，然后使用交叉验证选择最好的分类算法。首先，要考虑模型的训练集有多大。 常用的算法包括自回归积分滑动平均模型(ARIMA)、灰度预测模型、循环神经网络以及深度学习模型等。 基于模型的聚类算法 基于模型聚类是假定每一个类簇都是一个模型，然后去寻找能够拟合这个模型的簇，每一个模型反映的是数据对象在样本空间中的密度分布，其潜在假定就是：目标数据集是由一系列的概率分布所决定的
1.5K70发布于 2018-03-13 - 来自专栏计算机视觉
突出最强算法模型——回归算法 ！！
从以下4个方面概括： （1）提高模型性能：通过选择最相关的特征和对特征进行适当的工程处理，可以提高模型的性能。过多的不相关特征会增加模型的复杂性，降低模型的泛化能力，导致过拟合。 最后训练了一个线性回归模型并在测试集上评估了其性能。 通过特征选择和特征工程，在实际的算法建模中，可以更好地理解数据，提高模型的性能。 在线性回归中，最常见的损失函数是均方误差，其公式是： 其中： 是样本数量 是第 个样本的实际观测值 是第 个样本的模型预测值 （3）梯度下降 梯度下降是一种优化算法，用于最小化损失函数。 使用梯度下降算法进行参数优化的Python代码： import numpy as np class LinearRegression: def __init__(self, learning_rate 0.37869152 0.65891856] # Intercept: 0.5604540832879905 # Predictions: [6.07796379 7.11557387] 这段代码演示了如何使用梯度下降算法拟合线性回归模型
93010编辑于 2024-03-19 - 来自专栏程序人生小记
推荐广告算法模型之多目标模型
，好处就是：一定程度上会缓解模型的过拟合，提高了模型的泛化能力；充分利用数据。 2.2 多模型分数融合 给每个优化目标单独创建一个模型，然后通过weighted sum融合多个目标，给不同的目标分配不同的权重。 优点：模型实现简单，缺点：模型之前独立，不能互相利用各自训练的部分作为先验，容易过拟合。 2.3.2 MMOE模型 针对share bottom模型结构的缺点，谷歌在2018提出了Multi-gated Mixture of Expert (MMoE)模型[2]，该模型引入了多个专家子网络和门控结构 参考文献 绝密伏击：多目标学习在推荐系统的应用(MMOE/ESMM/PLE) 多目标学习在推荐系统中的应用 2021年浅谈多任务学习 推荐算法中的“多目标学习” Recommender：推荐系统中的多任务学习与多目标排序工程实践
2.4K42编辑于 2024-11-06 - 来自专栏JNing的专栏
深度学习: 模型优化算法
优化算法 类型 优化算法 类型 包括 一阶优化法 和 二阶优化法： 一阶优化法 二阶优化法 具体算法 随机梯度下降法、基于动量的随机梯度下降法、Nesterov型动量随机下降法、Adagrad 随机梯度下降法 基于动量的随机梯度下降法 Nesterov型动量随机下降法 Adagrad法 Adadelta法 RMSProp法 Adam法 运用程度 最广 训练速度 慢 快 快 快 快 模型结果 随机梯度下降法 随机梯度下降算法，Stochastic Gradient Descent，简称 SGD 。
1.1K30发布于 2018-09-27 - 来自专栏Python编程爱好者
突破最强算法模型，回归！！
咱们先来第一期：突破最强算法模型 - 回归类！！ 老规矩：大家伙如果觉得近期文章还不错！ 大壮答：数据标准化和归一化是在回归算法中常用的预处理步骤，特别是在岭回归和LASSO等正则化算法中。 这些步骤旨在确保数据的尺度一致，有助于提高模型的性能和稳定性。 这种尺度不一致可能导致模型对于具有较大尺度的特征更为敏感，影响模型的性能。 梯度下降优化算法： 对于基于梯度下降的优化算法，如岭回归和LASSO，尺度不一致可能导致算法收敛缓慢或不稳定。 使用基于距离的算法： 如果你的回归算法是基于距离的，如K最近邻（K-Nearest Neighbors），那么尺度不一致会导致距离计算的不准确性。在这种情况下，标准化或归一化是必要的。 使用梯度下降优化算法： 岭回归和LASSO等正则化算法通常使用梯度下降来最小化损失函数。在这种情况下，数据标准化或归一化有助于加速收敛过程，确保算法更快地找到最优解。 如何进行数据标准化或归一化？
1.1K10编辑于 2023-12-18 - 来自专栏杨熹的专栏
机器学习模型算法 List
Reinforcement or Semi-Supervised Machine Learning
81920发布于 2019-02-20 - 来自专栏阿泽的学习笔记
算法模型调优指南
在算法项目落地过程中，如果只考虑机器学习相关部分，个人感觉最花时间的两个部分是数据质量问题处理和模型实验与迭代调优。 阅读建议 一不小心，本文又写的有点长……所以这里大概给一个阅读建议： 对于初级算法工程师，希望了解基础的算法建模流程的，可以主要阅读1~5部分。 从第6部分开始是更深入的通过数据分析来进行模型调优的一些介绍，以及后续的测试，工程化，上线的简介，比较适合有经验的算法工程师阅读。 针对特定的问题及数据情况，我们需要选择合适的模型。 3.2 整体流程 为了避免这些问题，构建出高效，准确率高的算法模型，我们可以遵循如下的通用步骤： ? 尝试让自己作为算法来进行预测，例如选取几条数据，看是否能根据自己的理解作出正确的预测。以此来更好的理解预测目标，数据状态，以制定模型/规则策略。
1.9K43发布于 2021-07-06 - 来自专栏机器学习养成记
推荐算法｜矩阵分解模型
导读：在《推荐算法概述》一文中，我们介绍了推荐算法分为基于用户、基于物品、基于模型的协同过滤方法，矩阵分解模型是典型的基于模型的方法之一，本文将从基本概念、原理、实践几个角度进行介绍。 模型训练的目标是使输入输出矩阵误差最小，并且为了避免过拟合加入了正则项。应用显示信息和隐式信息的目标函数分别如下： ? ? ---- 往期推荐： XGBoost（二）：R语言实现 R语言爬虫与文本分析 图片相似度识别：pHash算法
1.5K10发布于 2021-06-21 - 来自专栏Python编程爱好者
突破最强算法模型，LightGBM ！！!
LightGBM是基于决策树的提升方法，通过不断调整和优化预测模型来提高精度。与其他算法相比，LightGBM速度更快、内存占用更少、准确率更高，并且能处理类别特征。 它通过基于决策树的算法进行迭代训练，以提高模型的准确性。为了获得最佳性能，了解并调优超参数是非常重要的。 下面先介绍一些常见的LightGBM超参数： 1. 最大深度越大，模型越复杂，越容易过拟合；最大深度越小，模型越简单，越容易欠拟合。 注意点： 深度过大，可能会导致模型过拟合训练数据。 深度过小，可能会导致模型欠拟合。 注意点： 叶子数过多，模型可能会过拟合。 叶子数过少，模型可能无法捕捉数据的复杂性。 使用交叉验证可以有效评估LightGBM模型的泛化能力，通过不断调整参数并验证模型表现，能够找到最佳的模型参数组合，从而提升模型在实际应用中的表现。
1.6K10编辑于 2024-07-12 - 来自专栏机器学习养成记
推荐算法｜FM模型python
导读：上篇文章推荐算法｜FM模型原理简介中我们介绍了FM模型原理，本次我们通过python进行实例展示。为了提升模型性能，本次代码同步引入加入L2正则及Adagrad。 Adagrad 梯度下降中有学习率参数，合适的学习率会影响模型训练效率及准确性。Adagrad的核心思想就是随着迭代次数增加，让学习率变小。加入后，参数的迭代变为： ? 其中 ? 2 代码逻辑 本例中我们通过梯度下降来训练一个二分类FM模型。 对于二分类问题，我们取logit作为损失函数： ? 我们的目标就是使得上述损失函数最小的最优化问题。 在FM模型中，参数的梯度为： ? 其中 ? 根据Adagrad更新学习率，就得到最终计算方法。整个过程伪代码如下： ? 3 python实现 此处仅展示核心代码，获得完整代码方法在文末。
1.4K50发布于 2021-07-20 - 来自专栏Python编程爱好者
突破最强算法模型，XGBoost ！！
XGBoost以其高效的性能和鲁棒性，成为许多数据科学竞赛和实际项目中的首选算法，极大提高模型准确性并降低过拟合风险。 今天把XGBoost方面6方面问题进行了汇总，有问题大家可以私信~ 数据准备问题 参数调优问题 防止过拟合和欠拟合问题 特征工程问题 理解模型输出问题 调参策略问题 咱们答读者问，这个是第 8 期：突破最强算法 大壮答：你好，一般情况下，在XGBoost中处理非数值型特征通常需要进行特征工程的处理，因为XGBoost是一种基于树模型的算法，只能处理数值型的特征。 Early Stopping 是用来防止过拟合的一种技术，它在训练模型过程中监控模型的性能指标，并在模型性能停止提升时提前停止训练，从而防止模型在训练集上过度拟合，提高模型的泛化能力。 XGBoost采用了梯度提升算法，通过迭代地训练一系列的决策树，并将它们组合起来形成一个强大的集成模型。 1.
2.3K11编辑于 2024-01-11 - 来自专栏喔家ArchiSelf
算法与模型的浅析
简单来说， 模型是对事物的抽象。 机器学习中的算法与模型 在具体的机器学习领域，算法和模型也有着更为具体的定义。 机器学习中的“模型” 机器学习中的“模型”是运行在数据集上的机器学习算法的输出，表示机器学习算法所学到的内容，即用于进行预测所需的规则、数字和任何其他特定算法的数据结构。 机器学习中算法与模型的关系 算法和模型往往都是分不开的。算法是一类问题的解答，是模型建立流程的一个环节，也是赋予模型“思考”能力的环节。而模型则是一系列算法的数学表达，同时包含了数据以及任务的概念。 因此，我们评估一个模型的好坏，而不是评估算法的好坏，算法只有其适用环境和场景。 就机器学习而言，通俗来讲，模型可以近似地理解为目标函数，算法则是求解该目标函数的方法。 小结 算法和模型都有着广泛的一般性意义。具体地，在机器学习领域，算法是在代码中实现并在数据上运行的过程。模型由算法输出，由模型数据和预测算法组成。
3.7K50编辑于 2022-12-03 - 来自专栏企鹅号快讯
模型算法基础——决策树剪枝算法（一）
模型也是一样，我们更希望它能够体现规律性的东西，而不是训练样本中的细节。 这时，对决策树进行剪枝就成为了一个必不可少的步骤。其实对决策树而言，相对于树的生成过程，剪枝的过程更为重要。 今天介绍一种后剪枝算法——误差降低剪枝(Reduced Error Pruning/REP)。 误差降低剪枝是最简单粗暴的剪枝方法。首先用训练样本生成决策树后，自下而上对于每个节点决定是否修剪该节点。
2.1K00发布于 2017-12-28 - 来自专栏人工智能
模型算法基础——决策树剪枝算法（二）
在上一篇模型算法基础——决策树剪枝算法（一）中，我们介绍了误差降低剪枝(REP)，今天我们继续介绍另一种后剪枝算法——悲观错误剪枝(PessimisticError Pruning/PEP)。
2.5K70发布于 2018-02-01 - 来自专栏大模型应用
大模型反向优化传统算法：用大模型学习传统算法的缺陷，反向迭代算法逻辑.152
基础概念定义 大模型反向优化传统算法，是以大模型为智能中枢，先精准识别传统算法在特定场景下的固有缺陷、性能瓶颈、逻辑漏洞，再通过大模型的泛化学习、逻辑推理、参数优化能力，反向重构传统算法的执行逻辑 、怎么调参数才能做好，形成“算法运行→大模型诊断缺陷→反向迭代算法→算法再优化”的闭环。 这里需要区分两个易混淆概念：大模型替代传统算法：是用大模型直接取代传统算法的功能，比如用大模型直接做图像识别，抛弃传统SIFT算法；大模型反向优化传统算法：是保留传统算法的核心优势，如低算力、高可解释、 传统算法的缺陷体系 要理解大模型如何反向优化，首先必须精准掌握传统算法的四大类固有缺陷，这是大模型诊断和优化的核心靶点，也是反向优化的基础前提。 逻辑自适应重构原理核心逻辑：打破传统算法的硬编码逻辑，用大模型的动态规则替代静态规则。传统算法逻辑是固定的，大模型会根据输入数据的特征，实时重构算法的执行逻辑，让算法随数据变而变。
32610编辑于 2026-07-01 - 来自专栏程序人生小记
2、推荐广告算法模型之特征交叉模型
如何体现这种重要程度，之前介绍的FFM模型是一个方案。另外，结合了attention机制的AFM模型，也是一种解决方案。 注意，FNN本质上也是两阶段的模型，与Facebook在2014年提出GBDT+LR模型在思想上一脉相承。 公式编辑切换为居中添加图片注释，不超过 140 字（可选）损失函数使用细节实现方法论文Wide&Deep原理Wide And Deep是2016年Google提出的用于Google Play app推荐业务的一种算法 其核心思想是通过结合Wide线性模型的记忆性（memorization）和Deep深度模型的泛化性（generalization）来对用户行为信息进行学习建模。 DeepFM就是在FM模型的基础上，增加DNN部分，进而提高模型对于高阶组合特征的信息提取。DeepFM能够做到端到端的、自动的进行高阶特征组合，并且不需要人工干预。
1.4K50编辑于 2022-08-04 - 来自专栏数据分析
算法金 | 一个强大的算法模型，GP ！！
大侠幸会，在下全网同名「算法金」 0 基础转 AI 上岸，多个算法赛 Top 「日更万日，让更多人享受智能乐趣」高斯过程算法是一种强大的非参数机器学习方法，广泛应用于回归、分类和优化等任务中。 更多分布见微*公号往期文章：十大回归算法 ，支持向量机 SVM ， 决策树算法，随机森林， 神经网络添加图片注释，不超过 140 字（可选）4. 高斯过程与其他算法：与线性回归、支持向量机和神经网络等算法相比，高斯过程在处理小样本数据和提供不确定性估计方面具有独特优势。同时，我们也讨论了高斯过程的计算复杂度和内存需求较高等缺点。 希望本文能够帮助大侠们更好地理解和应用高斯过程算法，提高在实际问题中的分析和预测能力。 ，烦请大侠多多 分享、在看、点赞，助力算法金又猛又持久、很黄很 BL 的日更下去；同时邀请大侠 关注、星标 算法金，围观日更万日，助你功力大增、笑傲江湖
1.2K00编辑于 2024-06-13 - 来自专栏数据分析
算法金 | 一个强大的算法模型，GPR ！！
与传统的线性回归模型不同，GPR 能够通过指定的核函数捕捉复杂的非线性关系，并提供不确定性的估计。在本文中，我们将详细介绍 GPR 算法的定义、核心思想和数学基础，并通过实例展示其在实际应用中的效果。 GPR 算法简介GPR 的定义高斯过程回归（Gaussian Process Regression, GPR）是一种基于高斯过程的统计模型，用于处理回归问题。 GPR 算法的数学基础高斯过程回归的数学模型高斯过程回归（GPR）的数学模型可以通过以下步骤来描述：定义高斯过程：高斯过程是一个由多变量正态分布定义的随机过程。 对数似然函数的形式为：GPR 算法的实现与应用import numpy as npfrom sklearn.gaussian_process import GaussianProcessRegressorfrom 到 哭 55全网同名，日更万日，让更多人享受智能乐趣如果觉得内容有价值，烦请大侠多多 分享、在看、点赞，助力算法金又猛又持久、很黄很 BL 的日更下去；同时邀请大侠 关注、星标 算法金，围观日更万日，助你功力大增
1.5K00编辑于 2024-07-06 - 来自专栏机器学习养成记
模型解释器——LIME算法介绍
导读：随着深度学习算法应用越来越广泛，大家不再满足于只得到模型的预测结果，而是希望更好的了解结果产生的原因。构建能让用户理解并信任的模型越来越重要。 本文将介绍一种作为复杂模型事后解释器的算法——LIME，并以乳腺癌诊断为例，对XGboost模型结果进行解释。 一 算法介绍 Local Interpretable Model-agnostic Explanations (LIME) 算法于2016年，由Marco Tulio Ribeiro、Sameer Singh 3、算法特点 模型的全称已经很好的解释了LIME模型的特点： Local：在想要解释的预测值附近构建可解释的模型，并且该模型在这个点周围的局部效果与复杂模型的效果很接近。 具有很强的通用性，效果好 LIME能够兼容任何一种机器学习算法，具有广泛的适用性。 2.
2.9K20编辑于 2023-08-31 - 来自专栏数据科学与人工智能
【算法】逻辑回归（Logistic Regression） 模型
小编邀请您，先思考： 1 逻辑回归算法的原理是什么？ 2 逻辑回归算法的有哪些应用？ 逻辑回归（Logistic Regression）是机器学习中的一种分类模型，由于算法的简单和高效，在实际中应用非常广泛。 本文作为美团机器学习InAction系列中的一篇，主要关注逻辑回归算法的数学模型和参数求解方法，最后也会简单讨论下逻辑回归和贝叶斯分类的关系，以及在多分类问题上的推广。 要解决这些问题，通常会用到一些已有的分类算法，比如逻辑回归，或者支持向量机。它们都属于有监督的学习，因此在使用这些算法之前，必须要先收集一批标注好的数据作为训练集。 哟了训练数据后，使用Spark版的LR算法对每个品类训练一个二分类模型，迭代次数设为100次的话模型训练需要40分钟左右，平均每个模型2分钟，测试集上的AUC也大多在0.8以上。
3.1K50发布于 2018-03-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号