XGBoost（eXtreme Gradient Boosting）是GBDT方法的一种高效、灵活、便携的工程化实现。注意，XGBoost不是一种算法的名称，而是同属于GBDT框架下，一种Boosting的思想。另外，随着代码版本的迭代，很多新特性也被借鉴进来，比如LightGBM中的直方图方法，在2017年就被加入到了XGBoost中。相比传统的GBDT实现，XGBoost（以版本1.4.2为例

本文以XGBoost 1.4.2版本为例，以具体例子，详解XGBoost中超参数的含义以及用法。import osimport pandas as pdimport xgboost as xgbfrom sklearn.tree import export_graphvizcols = ['height', 'weight', 'chinese', 'math', 'english', 'gk']

import tensorflow as tfinput = tf.constant([[0,1,2],[3,4,5]])print(type(input.shape))print(type(input.get_shape()))print(type(tf.shape(input)))Out:<class 'tensorflow.python.framework.ten...

XGBoost（eXtreme Gradient Boosting）是GBDT方法的一种高效、灵活、便携的工程化实现。注意，XGBoost不是一种算法的名称，而是同属于GBDT框架下，一种Boosting的思想。另外，随着代码版本的迭代，很多新特性也被借鉴进来，比如LightGBM中的直方图方法，在2017年就被加入到了XGBoost中。相比传统的GBDT实现，XGBoost（以版本1.4.2为例

现象例子：有一个概率单纯形向量vv\mathbf{v}：v=[0.6,0.4]v=[0.6,0.4]\mathbf{v}=[0.6, 0.4]和一个概率转移矩阵PP\mathbf{P}:P=[0.70.80.30.2]P=[0.70.30.80.2]\mathbf{P}=\begin{bmatrix}0.7 & 0.3 \\0.8 & 0.2\end{bmatr...

实例如下有三个网页A，B，C及其链接关系：构造邻接矩阵（Adjacent Matrix）：A=⎡⎣⎢110100110⎤⎦⎥A=[111101000]A=\begin{bmatrix}1 & 1 & 1 \\1 & 0 & 1 \\0 & 0 & 0\end{bmatrix}每个节点都有一个Hub分数和Authority分数，所以有一个Hub向量hh

1. 简介BLEU（Bilingual Evaluation Understudy），相信大家对这个评价指标的概念已经很熟悉，随便百度谷歌就有相关介绍。原论文为BLEU: a Method for Automatic Evaluation of Machine Translation，IBM出品。本文通过一个例子详细介绍BLEU是如何计算以及NLTKnltk.align.bleu_scor

KL散度（Kullback-Leibler Divergence）也叫做相对熵，用于度量两个概率分布之间的差异程度。

假设对于一个查询，真实相关的结果是{A，C，E, Q}，搜索模型得到5个结果{A, B, C, D, E}，则其中只有A，C，E是相关的，标记为{1, 0, 1, 0, 1}，1表示相关，0表示不相关。Precision@k即预测正确的相关结果占返回的所有结果的比例：Precision@k=TP@kTP@k+FP@kPrecision@k = \frac{TP@k}{TP@k+FP@k}Preci

解码是seq2seq模型的常见问题，常用方法有贪心搜索（Greedy Search）集束搜索（Beam Search）。简单贪心搜索From [1]如图，Decoder根据Encoder的中间语义编码向量ccc和<s>标签得到第一个输出的概率分布[0.1,0.1,0.3,0.4,0.1][0.1,0.1,0.3,0.4,0.1][0.1, 0.1, 0.3, 0.4,