Tsak5——基于深度学习的文本分类Word2vec1.词向量本节通过word2vec学习词向量。word2vec模型背后的基本思想是对出现在上下文环境里的词进行预测。对于每一条输入文本,我们选取一个上下文窗口和一个中心词,并基于这个中心词去预测窗口里其他词出现的概率。因此word2vec模型可以方便地从新增语料中学习到新增词的向量表达,是一种高效的在线学习算法( online learning

Task2——数据读取与数据分析1.学习目标学习使用Pandas读取赛题数据分析赛题数据的分布规律2.数据读取这里的read_csv由三部分构成：读取的文件路径，这里需要根据改成你本地的路径，可以使用相对路径或绝对路径；分隔符sep，为每列分割的字符，设置为\t即可；读取行数nrows，为此次读取文件的函数，是数值类型（由于数据集比较大，建议先设置为100）；import pandas as pd

Task3——基于机器学习的文本分类1.⽂本表示方法这里插入一下word2vec，在讲word2vec的过程中一般要对one-hot进行介绍，这里推荐一篇文章，很详细的揭示了文本表示的本质（主要是word2vec）。秒懂词向量word2vec的本质1.1 One-hot这里的One-hot与数据挖掘任务中的操作是一致的，即将每一个单词使用一个离散的向量表示。具体将每个字/词编码一个索引，然后根据索

EDA-数据探索性分析非常感谢Datawhale的组队学习活动，让我这个零基础的小白也能够有机会亲身的接触一下数据挖掘，走完一个流程这次使用的是天池实验室，路线的话主要是根据datawhale发布的《零基础入门数据挖掘》教程来走。下面是EDA的部分。1.载入各种数据科学以及可视化库#coding:utf-8#导入warnings包，利用过滤器来实现忽略警告语句。import wa...

模型融合一 内容介绍模型融合是比赛后期一个重要的环节，大体来说有如下的类型方式。简单加权融合:回归（分类概率）：算术平均融合（Arithmetic mean），几何平均融合（Geometric mean）；分类：投票（Voting)综合：排序融合(Rank averaging)，log融合stacking/blending:构建多层模型，并利用预测结果再拟合预测。boostin...

1 学习目标了解常用的机器学习模型，并掌握机器学习模型的建模与调参流程2 内容介绍线性回归模型：线性回归对于特征的要求；处理长尾分布；理解线性回归模型；模型性能验证：评价函数与目标函数；交叉验证方法；留一验证方法；针对时间序列问题的验证；绘制学习率曲线；绘制验证曲线；嵌入式特征选择：Lasso回归；Ridge回归；决策树；模型对比：常用线性模型；常用非线...