https://blog.csdn.net/u014313009/article/details/38944687 SIGIR的一篇推荐算法论文中提到用NDCG和AUC作为比较效果的指标,之前没了解过这两个指标,便查找相关概念,整理如下. 一.NDCG1.DCG       首先,介绍一下DCG.DCG的全称是Discounted Cumulative Gain,它是衡量搜索引擎算法的一个指标.搜索引擎一般采用PI(per item)的方式进行评测,即逐条对搜索结果进行等级的打分.比如在Goog

写在前面:据说下周就要xxxxxxxx, 吓得本宝宝赶紧找些广告的东西看看 gbdt+lr的模型之前是知道怎么搞的,dnn+lr的模型也是知道的,但是都没有试验过 深度学习在美团点评推荐平台排序中的运用 原创 2017-07-28 潘晖 美团点评技术团队 美团点评作为国内最大的生活服务平台,业务种类涉及食.住.行.玩.乐等领域,致力于让大家吃得更好,活得更好,有数亿用户以及丰富的用户行为.随着业务的飞速发展,美团点评的用户和商户数在快速增长.在这样的背景下,通过对推荐算法的优化,可以更好的给用户

一.概述 1.sql语言特点 sql语言采用集合操作方式,对数据的处理是成组进行的,而不是一条一条处理,听过使用集合操作方式,可以家加快数据的处理速度. 执行sql语句时每次只能发送并处理一条语句.如果要降低语句发送和处理次数,可以使用pl/sql 执行sql语句时,用户只需要知道其逻辑含义,而不需要关心sql语句的具体执行步骤 使用sql时,既可以采用交互方式执行,也可以嵌入到高级语言中执行. 2.语言分类 数据查询语言(select语句):用于检索数据库数据.在select语句的功能和语法最

1. 行触发器的定义 行触发器是指执行DML操作时,每作用一行就触发一次的触发器.审计数据变化时,可以使用行触发器 2. 建立行触发器的语法如下: create or replace trigger trigger_name timing event1 [or event2 event3] on table_name (referencing old as old | new as new) for each row (when condition) pl/sql block; trigger_

之前发布了一篇文章利用Google趋势来预测比特币价格,说到了看到一篇文章很朴素的介绍了google趋势和比特币价格的一个关系.觉得很简单直白,就根据那个模型写了个程序,部署起来了,从十一月十四号到现在,一共有一个多月,总体效果不理想,因为一直没有触发它的买进的条件. 数据 前两天我就把收集到的数据图形化出来,来直观看看它们之间的关系,画出来的图形如下: 上图中的红线,就是所谓的触发条件,如果它高于35%(纵轴25上面那条黑线)并且跟昨天相比,比特币的价格是增加了1%,就会触发买进,否则卖出.

机器学习的 ranking 技术——learning2rank,包括 pointwise.pairwise.listwise 三大类型. [Ref-1]给出的: <Point wise ranking 类似于回归> Point wise ranking is analogous to regression. Each point has an associated rank score, and you want to predict that rank score. So your labe

1. 实现参照完整性      指若两个表之间具有主从关系(即主外键关系),当删除主表数据时,必须确保相关的从表数据已经被删除.  当修改主表的主键列数据时,必须确保相关从表数据已经被修改.为了实现级联删除,可在定义外部键约束时指定ON DELETE CASCADE关键字  alter table emp add constraint fk_deptno foreign key (deptno) references dept(deptno) on delete cascade; 实现级联更新,

题目链接 题意 :屏幕可以显示两个值,一个是数量x,一个是总价y.有两种操作,一种是加一次总价,变成x,1+y:一种是加一个数量,这要的话总价也会相应加上一个的价钱,变成x+1,y+y/x.总价显示的为取整后的整数,小数部分忽略.给定一个目标x,y,初始状态为1,1,求最少需要多少次可以目标状态,不可以达到的话输出-1. 思路 :如果是加一次总价的话,单价就在变大:如果是加一次数量的话,单价是不变的.因此,单价只涨不降.物品的数量也必须从1变成x,也就是说至少要加x-1次单价才可以,那么如果单价

从今天起,坚持每天学习10分钟Rust...这是一个刚兴起几年的语言,希望深入地进行学习,为什么呢,因为以下这些让人辛酸的理由..... 最开始学习的是C++,没学太懂,之后又学了C,这时还完全对计算机语言没什么概念 然后又学习了操作系统原理.汇编.编译原理.算法与数据结构,书看了,书后面的练习题也做了,自测考试,汇编60分,编译原理实现了一个加减乘除的小程序,算法与数据结构89分,满分都是100分,后来不学了,忘光了,这时大概有些明白操作系统是个什么东西 再后来学习的.net,做了一个小博客网

1. 概述 win 10 内存时不时溢出 目前还没有跟踪完毕 有空继续跟踪 2. 问题 win10 内存动不动就 往上涨 只涨不降 看各个进程又是正常的 3. 思路 先看看内存情况 妈的我 jvm 的内存都分析不清楚, 这下要看 windows 的... 定位进程 能改就改, 不能改干掉 4. 初步诊断 获取 win10 的内存工具 RAMMap 偏向整体 vmmap 偏向具体进程 使用 rammap 结果 paged pool 使用的内存最多, 而且成 active 状态 保存当前内存的情况

根据决策值和真实标签画ROC曲线,同时计算AUC的值 步骤: 根据决策值和真实标签画ROC曲线,同时计算AUC的值: 计算算法的决策函数值deci 根据决策函数值deci对真实标签y进行降序排序,得到新的排序$roc_y$ 根据$roc_y$分别对正负类样本进行累积分布$stack_x$,$stack_y$ 根据$stack_x$,$stack_y$计算RUC的值 \[AUC = \sum_{i=2}^{n}(stack_x(i)-stack_x(i-1))*stack_y(i) \] 分别以$

这里介绍一下如题所述的四个概念以及相应的使用python绘制曲线: 参考博客:http://kubicode.me/2016/09/19/Machine%20Learning/AUC-Calculation-by-Python/?utm_source=tuicool&utm_medium=referral 一般我们在评判一个分类模型的好坏时,一般使用MAP值来衡量,MAP越接近1,模型效果越好: 更详细的可参考:http://www.cnblogs.com/pinard/p/5993450.ht

单特征 NDCG 能计算模型的 NDCG,也就能计算单特征的 NDCG,用于评估单特征的有效性,跟 Group AUC 用途一样 单特征 NDCG 如何衡量好坏 如果是 AUC,越大于或小于 0.5,特征越有效,但 NDCG 没有这个特点,NDCG 都是正的,而且,样本正负比例不同,NDCG 的值也不同,变化很大.那么在同样的样本下,就需要有个基准用来说明好坏. 一个可靠的方案是把随机数作为一个特征,以其 NDCG 为基准,比随机数 NDCG 高得越多,特征就越有效. 为什么要打散 有些离散化的

参考:http://en.wikipedia.org/wiki/Discounted_cumulative_gain Normalized Discounted Cumulative Gain:一种对搜索引擎或相关程序有效性的度量. 2个假设: 1.强相关的文档出现在结果列表越靠前(rank越高)越有用. 2.强相关文档比弱相关文档有用,比不相关文档有用. DCG来源于一个更早的.更基础的方法---CG. CG不考虑结果集中的序信息,单纯把分级相关度相加.位置P处的CG值是: 是搜索结果列表的位

1.大智慧轻微高开,按照昨天总结的震荡行情指导操作(pic1) a.震荡行情,开盘5分钟的走势不能指导操作, b.操作一定要等到2峰2谷出现后再做!开盘价不能作为峰.谷! c.只有当通道出现2.0%以上的宽度后(趋势明朗) 取得了很好的效果,开盘后5分钟曲线就像心电图一样,趋势通道修改了3次!最终没有被诱空或诱多2.10:21想加仓一点中色,但是考虑到 a.10:30正容易是最高价的时候 b.通道已经趋于平稳,不再暴涨 所以决定等待一会儿,是否正确呢?(PIC2)————事后证明确实有比10:2

一. ROC曲线 1.roc曲线:接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性. 横轴:负正类率(false postive rate FPR)特异度,划分实例中所有负例占所有负例的比例:(1-Specificity) 纵轴:真正类率(true postive rate TPR)灵敏度,Sensitivity(正类覆盖率) 2.针对一个二分类问题,将实例分成正类(postive)或者负类(negative).但

弹性伸缩在云计算领域的简述 弹性伸缩又称自动伸缩,是云计算场景下一种常见的方法,弹性伸缩可以根据服务器上的负载.按一定的规则.进行弹性的扩缩容服务器. 弹性伸缩在不同场景下的含义: 对于服务运行在自建机房的公司,弹性伸缩通常意味着允许一些服务器在低负载时进入睡眠状态,从而节省电费(以及用于冷却机器的水费和水费). 对于使用在托管在云上的机房的公司而言,自动扩展可能意味着更低的费用,因为大多数云提供商都基于总使用量而不是最大容量进行收费. 即使对于不能在任何给定时间减少运行或支付的总计算能力的公司

小鱼同学最近很难受,明明获得了人人羡慕的大厂Offer,走在路上都能被熟人祝贺,学弟学妹争着抢着求他进行经验分享. 但有件事一直让他很介意.其实这件事起因很简单,是关于这份Offer的薪资问题,面试的时候他说了一个理想薪资范围,没想到HR最后通知他的确定薪资是他给出范围的最低值... "你期望的薪酬是多少?" 相信经历各种面试的同学们都对这个问题不陌生,但是也肯定有很对同学现在也正在经历着小鱼同学相同的疑惑.即便大多数同学都身经百战,早已练就了金刚不坏之能力,听到这个问题还是恐惧又纠结

易懂:http://alexkong.net/2013/06/introduction-to-auc-and-roc/ 分析全面但难懂:http://mlwiki.org/index.php/ROC_Analysis 重点:1.  预测概率 需要排序 2. 计算AUC及画ROC曲线需要输入的是:预测概率+真实标签.不能输入预测标签.

<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>数组数字大小排序</title> </head> <body> <p>让数组按照升序降序排列</p> <p>这里写个数组 var array=[1,80,4,33,21,55];</p>