机器学习-数据科学专业问答社区-CDA答疑社区

热线电话：13121318867

登录

詹惠儿

协同过滤有哪几种类型？

协同过滤协同过滤是一种独立于域的预测技术，用于内容无法通过电影和音乐等元数据轻松充分地描述。协同过滤技术通过为用户构建项目首选项的数据库（用户项目矩阵）来工作。然后，它通过计算其个人资料之间的相似性来匹配具有相关兴趣和偏好的用户，以提出建议。这样的用户建立一个叫做邻居的小组用户获得他之前未评级但已被其邻居用户评价的项目的推荐。由CF生成的建议可以是预测或推荐。预测是表示用户i的项目j的预测得分

0.0000

0

4

0

关注作者

收藏

詹惠儿

推荐系统的CB有什么优缺点？

基于内容的过滤技术的优缺点CB过滤技术克服了CF的挑战。即使没有用户提供评级，他们也可以推荐新商品。因此，即使数据库不包含用户首选项，也不会影响推荐准确性。此外，如果用户首选项发生变化，则可以在短时间内调整其推荐。他们可以管理不同用户不共享相同项目但根据其内在特征仅相同项目的情况。用户可以在不共享其个人资料的情况下获得建议，这可以确保隐私。CBF技术还可以解释如何向用户生成推荐。然而，这些技术遭

0.0000

0

3

0

关注作者

收藏

詹惠儿

基于内容的过滤

基于内容的技术是一种依赖于域的算法，它更多地强调了对项的属性的分析，以便生成预测。当建议使用网页，出版物和新闻等文档时，基于内容的过滤技术是最成功的。在基于内容的过滤技术中，使用从用户过去评估的项目的内容中提取的特征，基于用户简档进行推荐。建议用户使用与积极评价项目相关的项目。 CBF使用不同类型的模型来查找文档之间的相似性，以便生成有意义的建议。它可以使用矢量空间模型，如术

0.0000

0

3

0

关注作者

收藏

詹惠儿

推荐系统的反馈是什么？

明确的反馈系统通常通过系统界面提示用户提供项目的评级，以便构建和改进他的模型。推荐的准确性取决于用户提供的评级数量。这种方法的唯一缺点是，它需要用户的努力，而且用户并不总是准备好提供足够的信息。尽管显式反馈需要用户付出更多努力，但它仍然被视为提供更可靠的数据，因为它不涉及从操作中提取偏好，并且还为推荐过程提供透明度，从而导致感知推荐质量略高对建议更有信心。隐含的反馈系统

0.0000

0

2

0

关注作者

收藏

詹惠儿

推荐系统的信息收集阶段

这收集用户的相关信息以生成用于预测任务的用户简档或模型，包括用户访问的资源的用户属性，行为或内容。在用户配置文件/模型构造良好之前，推荐代理无法准确运行。系统需要尽可能多地了解用户，以便从一开始就提供合理的推荐。推荐系统依赖于不同类型的输入，例如最方便的高质量显式反馈，其包括用户关于他们对项目的兴趣的显式输入或通过观察用户行为间接地推断用户偏好来隐式反馈。也可以通过显式和隐式反馈的组合来

0.0000

0

4

0

关注作者

收藏

詹惠儿

什么是推荐系统的冷启动？

与基于内容的过滤技术相关的一些问题是有限的内容分析，过度专业化和数据的稀疏性。此外，协作方法表现出冷启动，稀疏性和可伸缩性问题。这些问题通常会降低建议的质量。为了减轻所发现的一些问题，已经提出了混合滤波，它以不同的方式组合了两种或更多种滤波技术，以提高推荐系统的准确性和性能。这些技术结合了两种或多种过滤方法，以便在平衡其相应弱点的同时发挥其优势。它们可以基于它们的操作分类为加权混合，

0.0000

0

5

0

关注作者

收藏

詹惠儿

怎么定义推荐系统？

推荐系统被定义为复杂信息环境下用户的决策策略。此外，从电子商务的角度定义推荐系统作为一种工具，帮助用户搜索与用户的兴趣和偏好相关的知识记录。推荐系统被定义为一种辅助和增强社会过程的手段，当没有足够的个人知识或替代方案经验时，使用他人的建议做出选择。推荐系统通过向用户提供个性化的，独有的内容和服务建议来处理用户通常遇到的信息过载问题。最近，已经开发了用于构建推荐系统的各种方法，其可以利

0.0000

0

1

0

关注作者

收藏

詹惠儿

推荐系统在数字化时代怎么运用？

推荐系统对服务提供商和用户都有益。它们降低了在线购物环境中查找和选择项目的交易成本。推荐系统也证明可以改善决策过程和质量。在电子商务环境中，推荐系统可以增加收入，因为它们是销售更多产品的有效手段。在科学图书馆中，推荐系统通过允许用户超越目录搜索来支持用户。因此，不能过分强调在系统内使用有效且准确的推荐技术的需要，该系统将为用户提供相关且可靠的推荐。可用数字信息量和互联网访

0.0000

0

6

0

关注作者

收藏

啊啊啊啊啊吖

boosting是什么

boosting是一种与bagging很类似的技术。不论是在boosting还是bagging当中，所使用的多个分类器的类型都是一致的。但是在前者当中，不同的分类器是通过串行训练而获得的，每个新分类器都根据已训练出的分类器的性能来进行训练。 boosting是通过集中关注被已有分类器错分的那些数据来获得新的分类器。由于boosting分类的结果是基于所有分类器的加权求和结果的，因此boos

0.0000

0

0

0

关注作者

收藏

啊啊啊啊啊吖

基于错误提升分类器的性能

能否使用弱分类器和多个实例来构建一个强分类器？这是一个非常有趣的理论问题。这里的“弱”意味着分类器的性能比随机猜测要略好，但是也不会好太多。这就是说，在二分类情况下弱分类器的错误率会高于50%，而“强”分类器的错误率将会低很多。 AdaBoost算法即脱胎于上述理论问题。AdaBoost是adaptive boosting（自适应boosting）的缩写，其运行过程如下：训练数据中的每个

0.0000

0

5

0

关注作者

收藏

啊啊啊啊啊吖

基于代价函数的分类器决策控制

我们可以基于该代价矩阵计算其总代价：TP*0 FN*1 FP*1 TN*0。接下来我们考虑下面的第二张表，基于该代价矩阵的分类代价的计算公式为： TP*(-5) FN*1 FP*50 TN*0。采用第二张表作为代价矩阵时，两种分类错误的代价是不一样的。类似地，这两种正确分类所得到的收益也不一样。如果在构建分类器时，知道了这些代价值，那么就可以选择付出最小代价的分类器。在分类算法中，我们有

0.0000

0

2

0

关注作者

收藏

阿抽哥哥

决策树中用graphviz画出的树图怎么看这些参数

如图中所示，这些参数是啥意思啊？答： meda

0.0000

0

1

0

关注作者

收藏

詹惠儿

朴素贝叶斯的EM算法是什么？

EM算法即期望最大化算法。期望最大化（EM）算法是一种迭代方法，用于在统计模型中找到参数的最大似然或最大后验（MAP）估计，其中模型取决于未观察到的潜在变量。EM迭代在执行期望（E）步骤和最大化（M）步骤之间交替，期望（E）步骤创建用于使用参数的当前估计评估的对数似然的期望的函数，最大化（M）步骤计算最大化预期对数的参数。在E步骤中发现的可能性。然后使用这些参数估

0.0000

0

1

0

关注作者

收藏

詹惠儿

随机森林有什么作用？

已知树模型是高方差，低偏差模型。结果，他们倾向于过度拟合训练数据。如果我们重新概述树模型的作用，如果我们不修剪它或引入早期停止标准，如每个叶节点的最小实例数，那么这是很吸引人的。好吧，它尝试沿着要素分割数据，直到实例纯粹关于目标要素的值，没有剩余数据，或者没有剩余的要素来吐出数据集。如果以上之一成立，我们会生成一个叶节点。结果是树模型生长到最大深度，并且试图尽可能精确地重塑训练数

0.0000

0

3

0

关注作者

收藏

詹惠儿

决策树中的叶子数量和准确性

叶子数量下表总结了所有6种修剪和停止组合的树大小。在这种情况下，提前停止产生这样一个简单的简单树，修剪没有效果。如果没有提前停止，最小的树修剪会削减最小的错误树。准确性之前提到的树只在70％的数据上训练。我已经扣留了一个随机的30％样本来测试准确度，从而可以计算出无偏的准确度。这6种组合的结果是：对于这些数据，最低精度是由于早期停止（欠拟合），或既不修剪也不停止（过度拟

0.0000

0

2

0

关注作者

收藏

詹惠儿

决策树中的修剪策略

修剪策略决策树中主要有3种修剪策略：最小错误。树被修剪回到交叉验证错误最小的点。交叉验证是使用大部分数据构建树，然后使用剩余部分数据来测试决策树的准确性的过程。最小的树。树比最小错误稍微修剪一下。从技术上讲，修剪会创建一个决策树，其交叉验证错误在最小错误的1个标准误差范围内。较小的树更容易理解，但代价是误差小幅增加。没有。提前停止或预修剪防止过度拟合的另一种方法是在产

0.0000

0

3

0

关注作者

收藏

詹惠儿

决策树中的CART是什么？

分类和回归树（CART） CART是最成熟的机器学习技术之一。在非技术术语中，CART算法通过重复找到最佳预测变量来将数据分成两个子集。子集比分割前更好地划分目标结果。修剪是一种与分类和回归树相关的技术。我不打算详细介绍最佳预测变量或更好的分区的含义。相反，我将讨论对该基本大纲的两个改进：修剪和提前停止。有时这些被简单地称为后修剪和预修剪。顾名思义，预修剪或早

0.0000

0

0

0

关注作者

收藏

PGC123

什么是数据挖掘？

什么是数据挖掘？数据挖掘是指在大型数据之上自动的发现有用信息的过程。数据挖掘可以通过历史数据发掘先前未知的状态，以及预测未来的状态。数据挖掘是KDD的关键一部分。机器学习属于数据挖掘的一种方式。

0.0000

0

1

0

关注作者

收藏

阿抽哥哥

sklearn中随机森林有哪些重要的参数

使模型预测效果更好的特征：n_estimators：随机森林里子树的数量，通常数量越大，效果越好，但是计算时间也会随之增加。此外要注意，当树的数量超过一个临界值之后，算法的效果并不会很显著地变好。max_features：分割节点时考虑的特征的随机子集的大小。这个值越低，方差减小得越多，但是偏差的增大也越多。根据经验，回归问题中使用 max_features = n_features，分类问

0.0000

0

3

0

关注作者

收藏

阿抽哥哥

sklearn最近邻算法leaf_size的影响

构造时间leaf_size越大，树的构建时间越快查询时间不同的 leaf_size 大小会改变查询成本的优次，当 leaf_size 接近 1 时，遍历节点所涉及的开销大大减慢了查询时间。当 leaf_size 接近训练集的大小，查询本质上变成了暴力搜索（brute force）。在这之间的一个很好的妥协是 leaf_size = 30，这是该参数的默认值。内存随着 leaf_siz

0.0000

0

4

0

关注作者

收藏

<1…616263…69>

CDA考试动态

CDA报考指南