推荐系统常用评价指标

1. 基本概念 正样本：预测标签与真实标签一致的样本； 负样本：预测标签与真实标签不一致的样本； 困难样本：预测值与实际标签误差较大的样本； 简单样本：预测值与实际标签误差较小的样本。 2. AUC AUC: Area Under ROC Curve，同目标检测中的 AUC 指标。 理解：随机抽取一对正负样本，AUC 是把正样本预测为 111 的概率大于把负样本预测为 111 的概率的概率。

Technique Recsys
Technique Recsys

特征值分解

1. 简介 以物理中「力」的角度来看待，我们通常会将「合力」分解为各个「分力」，来描述整个「合力」的影响。特征值分解便是将「矩阵」分解成各个方向的分量，通过对各个分量的刻画来描述此矩阵。 特征分解：eigen decomposition 特征向量：eigen vector 特征值：eigen value 2. 理解 设矩阵 A∈Rn×nA \in \mathbb{R}^{n \times n}

Technique Math Theory 矩阵
Technique Math Theory 矩阵

聚类方法

1. 简介 聚类是针对给定的样本，依据它们特征的相似度或距离，将其归并到若干个「类」或「簇」的数据分析问题。一个类是样本的一个子集，直观上，相似的样本聚集在相同的类，不相似的样本分散在不同的类。 聚类的目的是通过得到的类或和入在来发现数据的特和点或对数据进行处理，在数据挖掘、模式识别等领域有着广泛的应用。聚类属于无监督学习，因为只是根据样本的相似度或距离将其进行归类，而类或簇事先并不知道。 常用的

Technique StatisticalLearning
Technique StatisticalLearning

最大熵模型

1. 简介 最大熵模型由最大熵原理推导实现。 2. 最大熵原理 最大熵原理是概率模型学习的一个原则。最大熵原理认为，学习概率模型时，在所有可能的概率模型中，熵最大的模型是最好的模型。通常用约束条件来确定概率模型的集合，因此最大熵原理也可以表述为在满足约束条件的模型集合中选取熵最大的模型。 假设离散随机变量 XXX 的概率分布是 P(X)P(X)P(X)，则其熵为 H(P)=−∑xP(x)log⁡

Technique StatisticalLearning
Technique StatisticalLearning

支持向量机

1. 简介 支持向量机（Support Vector Machines，SVM）是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机。支持机还包括核技巧，这使它成为实质上的非线性分类器。支持向量机的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题。 支持向量机学习方法包含构建由简至繁的模型：线性可分支持向量机、线性支持向量机以及非线性支持向量

Technique StatisticalLearning
Technique StatisticalLearning

日语形容词

1. 简介 日语形容词分为两类，它们的一般规律为： Ⅰ类：也称「い」类，即显示地以「い」结尾的形容词； Ⅱ类：不以「い」结尾，一般由两个汉字组成，或者是外来语。 2. Ⅰ类 Ⅰ类形容词修饰名词时为「Ⅰ类形容词 + 名词」的结构，中间不能加「の」。 常用的Ⅰ类形容词： Ⅰ类形容词 含义 Ⅰ类形容词 含义 あたらし（新しい） 新 ふるい（古い） 旧 あつい（熱い） 热，烫 つめた

Language Japanese
Language Japanese