|
Post by account_disabled on Mar 2, 2024 6:25:46 GMT -5
机器学习和相似建模 机器学习驱动相似的建模过程,每个编程平台都有自己的机器学习算法。 不同类型的机器学习技术通常用于相似建模。以下是一些最流行技术的简化解释: PU 学习:正向无标记学习 (PU) 适用于仅包含正例和未标记示例的数据。种子集包含正面示例(例如,客户将商品添加到购物车)。PU学习使用这些正例来识别程序化平台数据中与正例相似的未标记示例。 梯度提升机 (GBM):GBM 使用迭代过程来识别目标市场属性,使用决策树来预测结果(例如,
一个人是否喜欢做饭)、发现错误并创建新的决策树来纠 电子邮件数据 正此类错误。这些决策树通常具有单个根节点,其他节点从该根节点分支,并且用户根据目标和数据集建立最大深度。 逻辑回归:逻辑回归是一种机器学习技术,通过识别受众特征和所需属性(订阅续订)之间的模式来预测事件(例如订阅续订)发生的概率。 随机森林:顾名思义,随机森林技术使用多个决策树根据客户特征(例如,是否有人会点击链接)进行预测。然后需要这些决策树的整体共识来形成最终的预测。
神经网络:就像人脑一样,神经网络使用互连的节点(“神经元”)对包含客户特征(例如年龄、性别、位置)的输入数据执行复杂的计算。结果是一个概率得分,可根据这些特征预测所需属性(例如,参与社交媒体帖子)的可能性。 支持向量机 (SVM): SVM 的工作原理是找到边界(称为超平面),以最好地将表现出所需属性(例如,对运动感兴趣)的客户与不表现出所需属性的客户区分开来。 K 最近邻 (KNN):KNN 使用邻近度进行预测。
|
|