随机森林"（Random Forest）是由Leo Breiman和Adele Cutler创建的常用机器学习算法，它将多个决策树的输出结合起来以得出单一的结果。其易用性和灵活性推动了它的广泛应用，可以处理分类和回归问题。
2025年04月08日
随机森林"（Random Forest）是由Leo Breiman和Adele Cutler创建的常用机器学习算法，它将多个决策树的输出结合起来以得出单一的结果。其易用性和灵活性推动了它的广泛应用，可以处理分类和回归问题。
2025年04月08日
C4.5算法是ID3算法的改进版，它在特征选择上采用了信息增益比来解决ID3算法对取值较多的特征有偏好的问题。C4.5算法也是一种用于决策树构建的算法，它同样基于信息熵的概念。
2025年04月08日
决策树是一类极为常用的机器学习方法，尤其是在分类场景。决策树通过树形结构来递归地将样本分割到不同的叶子结点中去，并根据每个叶子结点中的样本构成对该结点中的样本进行分类。
2025年04月08日
通俗来说，机器学习模型就是一种数学函数，它能够将输入数据映射到预测输出。更具体地说，机器学习模型就是一种通过学习训练数据，来调整模型参数，以最小化预测输出与真实标签之间的误差的数学函数。
2025年04月08日
决策树是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归的问题。决策树算法容易理解，适用于各种数据集，在解决各种问题时都有良好的表现，尤其是以树模型为核心的各种集成算法，在各个行业和领域都有广泛的应用。
2025年04月08日
一：模型介绍
1.线性回归的薄弱之处：
1.1. 需要拟合所有的样本点（局部加权线性回归除外）但是当数据拥有众多特征并且特征之间关系十分复杂时，构建全局模型的想法就显得太难了，也略显笨拙。
2025年04月08日
决策树（decision tree）算法是机器学习中的一个重要算法，因为它是很多其他智能算法的基础。决策树是一个类似于流程图的结构，因像一棵树而得名。决策树包含：
1.根结点，最顶层的那个结点；
2.叶子结点，每条路径最末尾的结点，也就是最外层的结点，代表类或类分布；
3.内部结点，一些条件的结点，下面会有更多分支，也叫做分支结点，表示对一个属性的测试，每个分支代表一个属性输出。
2025年04月08日
在 CTR 预估中，能不能有效地利用用户历史行为，页面同屏竞争广告信息，以及用户—广告，广告—广告关系等辅助信息来提升模型效果？本文介绍在这方面的探索工作，主要包括：
相关工作发表在 2019 KDD 主会，DLP-KDD 2019 workshop，2019 IJCAI 主会。
2025年04月08日
近年来，为了在保护数字信息免于泄露的同时有效识别用户，基于光学信息安全技术的图像加密和水印技术受到越来越多的关注。自研究人员在4f光学系统中首次提出了双随机相位编码方法（DRPE）以来，光学加密迅速发展，已经提出了基于DRPE的各种光学图像加密系统，例如基于联合变换相干性，分数傅里叶变换和投影到约束集合等的DRPE系统。
其他光学技术，如幽灵成像和干涉法，也已成功应用于光学加密，与传统DRPE相比，基于菲涅耳变换的DRPE系统可以将随机相位板的位置信息用作密钥，简化了系统的复杂性并增加了密钥的维度。