发简信
IP属地：河北
-
模型效果上限预估、分类模型Bad Case分析方法
模型效果上限预估、分类模型Bad Case分析方法 给定训练和测试数据集，训练某个二分类模型（如，GBDT算法），我们通过交叉验证的方法得到了一...
-
机器学习模型交叉验证脚本
机器学习模型交叉验证脚本 本文以阿里云机器学习平台上的 ps_smart （GBDT）算法为例，提供一个搜索最佳超参数的交叉验证任务的bash脚...
-
1天学会开发工业级推荐系统的特征工程代码:保姆级教程一、推荐算法为何要精做特征工程 机器学习工作流就好比是一个厨师做菜的过程，简单来说，清洗食材对应了清洗数据，食材的去皮、切片和搭配就对于了特征工...
-
工业级推荐系统中的特征工程摘要：深度学习时期，与CV、语音、NLP领域不同，搜推广场景下特征工程仍然对业务效果具有很大的影响，并且占据了算法工程师的很多精力。数据决定了效...
-
推荐冷启动召回模型DropoutNet深度解析与改进为什么需要冷启动 通常推荐系统通过协同过滤、矩阵分解或是深度学习模型来生成推荐候选集，这些召回算法一般都依赖于用户-物品行为矩阵。在真实的推荐系...
-
推荐模型离线评测效果好，线上效果却不佳的原因在推荐算法领域，时常会出现模型离线评测效果好，比如AUC、准召等指标大涨，但上线后业务指标效果不佳，甚至下降的情况，比如线上CTR或CVR下跌。...
-
推荐算法效果不佳时的检查清单
有时候我们会遇到推荐算法上线之后，效果不如预期的情况。这种情况下，该如何改进呢？ 下面就尝试列出一些检查清单，按照重要性的顺序，建议从上往下依次...
-
多任务学习算法在推荐系统中的应用粗略来看，推荐算法可以简单地分为召回和排序两个阶段。召回模块负责从海量的物品库里挑选出用户可能感兴趣的物品子集，过滤之后通常返回几百个物品。排序...
-
全网最浅显易懂的GBDT(xgboost)算法原理深入剖析梯度提升（Gradient boosting）是一种用于回归、分类和排序任务的技术，属于Boosting算法族的一部分。Boosting是一族可...