Hive、hadoop
主要是了解Hive从HDFS中提数的Hive SQL语法,还是有很多技巧
Hive提数后怎么办?
一般是导出Excel csv格式,通过python、R语言处理
数据挖掘工具和平台python、R语言等
caffee、tensorflow、python、R语言
数据计算框架Spark
实现数据计算
数据显示
R语言的数据呈现
数据分析算法、挖掘算法
划分数据集和测试集,通过简单交叉验证或K折交叉验证
无监督学习
例如KNN、KMeans聚类
监督学习
例如决策树、随机森林
广告推荐等常用算法
GBDT、XGBoost、CTR预估、FM、LDA等
CTR预估参考文献
http://www.voidcn.com/article/p-rnixyrwe-sp.html
http://blog.csdn.net/bitcarmanlee/article/details/52138970
多模型融合推荐算法
http://www.jianshu.com/p/6f4da232ec7f
多模型融合推荐算法在达观数据的运用
FM算法
参考《深入FM原理与实践》——美团
《Factorization Machines with libFM》
Bayes贝叶斯分类算法
可参考spark Bayes算法
GBDT与XGBoost的区别
- 传统GBDT以CART作为基分类器,xgboost还支持线性分类器,这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归(分类问题)或者线性回归(回归问题)。
- 传统GBDT在优化时只用到一阶导数信息,xgboost则对代价函数进行了二阶泰勒展开,同时用到了一阶和二阶导数。顺便提一下,xgboost工具支持自定义代价函数,只要函数可一阶和二阶求导。
- xgboost在代价函数里加入了正则项,用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。从Bias-variance tradeoff角度来讲,正则项降低了模型的variance,使学习出来的模型更加简单,防止过拟合,这也是xgboost优于传统GBDT的一个特性。
- Shrinkage(缩减),相当于学习速率(xgboost中的eta)。xgboost在进行完一次迭代后,会将叶子节点的权重乘上该系数,主要是为了削弱每棵树的影响,让后面有更大的学习空间。实际应用中,一般把eta设置得小一点,然后迭代次数设置得大一点。(补充:传统GBDT的实现也有学习速率)
- 列抽样(column subsampling)。xgboost借鉴了随机森林的做法,支持列抽样,不仅能降低过拟合,还能减少计算,这也是xgboost异于传统gbdt的一个特性。
- 对缺失值的处理。对于特征的值有缺失的样本,xgboost可以自动学习出它的分裂方向。
- xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的?注意xgboost的并行不是tree粒度的并行,xgboost也是一次迭代完才能进行下一次迭代的(第t次迭代的代价函数里包含了前面t-1次迭代的预测值)。xgboost的并行是在特征粒度上的。我们知道,决策树的学习最耗时的一个步骤就是对特征的值进行排序(因为要确定最佳分割点),xgboost在训练之前,预先对数据进行了排序,然后保存为block结构,后面的迭代中重复地使用这个结构,大大减小计算量。这个block结构也使得并行成为了可能,在进行节点的分裂时,需要计算每个特征的增益,最终选增益最大的那个特征去做分裂,那么各个特征的增益计算就可以开多线程进行。
参考《facebook gbdt构造新特征》
http://www.zhihu.com/question/41354392/answer/98658997
LDA主题模型
在线学习
FTRL请参考Google论文