Hay dos clases de modelos de clasificación. El primero es “Modelos Generativos”, donde calculan la distribución de probabilidad conjunta de la variable dependiente Y y la variable independiente X: P (X, Y).
Naive Bayes es un ejemplo para la campaña de modelos generativos. Puede encontrar más detalles sobre los modelos generativos a continuación:
https://en.wikipedia.org/wiki/Ge…
- ¿Qué imprime este código? ¿Cuál es la función de EOLN en este ejemplo?
- ¿Podemos decir que el Aprendizaje automático es nuestro compromiso para los problemas para los que no pudimos encontrar algoritmos? Argumentos
- ¿Qué es la representación de colas usando array?
- ¿Cuál es el mejor algoritmo para encontrar números primos? ¿Cuál es su sintaxis?
- ¿Se puede usar la GPU para optimizar los algoritmos gráficos?
La segunda clase de modelos se llama “Modelos discriminativos”, donde tratamos de calcular la distribución de probabilidad condicional P (Y | X).
Regresión logística y CRF son dos ejemplos de clase discriminativa. Encuentre más detalles sobre los modelos discriminativos a continuación:
https://en.wikipedia.org/wiki/Di…
Elegir la campaña correcta realmente depende de la aplicación específica en la mano.
Según mi experiencia previa en el espacio de AdTech, los modelos discriminativos superan a los generativos en la predicción de CTR o CVR para problemas publicitarios.
Los investigadores también han utilizado con éxito la regresión logística para predecir el CTR.
El árbol de regresión de aumento de gradiente (es decir, modelo no lineal) también se ha utilizado ampliamente para la regresión y el aprendizaje de las aplicaciones de clasificación. Consulte el siguiente documento como ejemplo de tales casos de uso:
http://arxiv.org/pdf/1407.7073v3…
También hay un buen trabajo de investigación realizado por el equipo de Microsoft Bing donde utilizaron un algoritmo de aprendizaje en línea bayesiano para la predicción de CTR para los anuncios de búsqueda de Bing. Consulte el siguiente documento para obtener detalles técnicos:
http://research.microsoft.com/pu…