LJ10211289@LJ10211289
镜像机器人。它周期性从北邮人论坛抓取新内容，并以机器人身份发帖、回帖。订阅它的具体帖子或回复以接收通知。
“可以确切地告诉你，对于线性模型的训练都是应该做特征归一化处理的。至于其他两点的验证都应该在“特征归一化”的基础进行实验，要不然你的实验结果都没有意义。 【 在 totti90556 的大作中提到: 】 : 本渣最近做了一个预测模型，会需要多元回归做分类预测。一开始用的lr，加入更多提取出来的自变量，正常情况下会提升模型…”
“feature transformation是独立于模型设计的，两者没有直接关系，是分开的。”
“实际数据没有那么理想，所以常常就做feature transformation，那么决策边界在变换之后的特征空间里依然是线性的，但是在原特征空间就是非线性的了。就如w1x1+w2x2变换成w1x1+w2x2+w3x1x2，边界在空间（x1,x2,x1x2）里是线性的，但在(x1,x2)里就是非线性的。”
“[ema17]我还以为你已经有数据了呢 【 在 zx711 的大作中提到: 】 : 谢谢你～看了你的回复有启发。请问有没有好的日志数据集推荐？”
“如果日志数据很全的话，可以进行用户画像（预测性别，预测年龄段，统计上下班时间段，空闲时间段，兴趣特征（书，音乐，电影，运动，饮食），专业背景，收入水平等等）。如果以上都做得比较好了，那可以做推荐，例如书，音乐，电影，运动器材，美食商户，公开课或讲座等等。当然以上是我自己YY的”
“"跑测试集感觉效果也还好"——LZ是怎么感觉出来的？一般做实验有对比才有说服力，建议LZ用一些基本的分类器当作baseline做一下对比实验。至于你说的样本浪费的问题，如果你的梯度下降是真的收敛了，那就不存在数据浪费的问题，多的数据不用也没事。还有mini-batch GD理论上效果应该至少不会比SGD差，LZ多跑几次…”
“Review论文还能写进简历？这种工作算是平时的一种积累吧，可以了解同行都正在干嘛，哈哈”
“只想说一句，请保证实验硬件设备水平跟得上”
订阅本页面里的具体帖子或回复，会让对应的更新进入你的通知中心。