大家好，又见面了，我是全栈君，今天给大家准备了Idea注册码。
———-一个小的游戏体验，对于不太熟悉Xlab RF和GBRT同学们都叫参考，不喜勿喷，大神绕道，米姆达。
。
。。
。———-
6月初的时候LR 做到4.9后一直上不去，看群里火热的讨论RF。转而使用RF，几经折腾上手后。在当时的那批对LR来说非常好的特征处理下，结果F1仅仅有3.5左右。心灰意冷。。
。然后又看到火热讨论GBRT，再转gbrt，刚上手。效果和RF差点儿相同。看到别的同学直接从LR转到RF和GBRT都效果好非常多，那个急啊。然后又是考试周。就一直拖拉到6月下旬，最终下定决心又一次做一遍。由于gbrt训练时间比較长。且RF和GBRT对特征的效果相当，RF预測时间相对较短一些，便又一次做RF。慢慢的有效果了，停止了F1最终開始往上涨：4.9->5.16->5.66…近期開始再加入特征。相信还会有提升，以下把我们的RF和GBRT的训练和预測方法大概讲一下（主要以截图为主）
1、Xlab GBRT上手
1.1、训练特征表准备
训练的特征表gbrt_offline_section_one_24格式为：user_id,brand_id,feature1,feature2…Label
见下图：
1.2 、建立特征稀疏表。为训练做准备
特征稀疏表可直接在Xlab由原始特征表转换得到，截图例如以下：
进入普通表转稀疏矩阵界面后。在选择列里填上： user_id相应的列号（表默认从0列開始）。brand_id相应的列号，以及想要使用的众多特征相应的列号（不须要填写标签相应的列号！。！
）；然后在输出表里填上转换成的稀疏矩阵：gbrt_offline_section_one_24_1;例如以下图
1.3 、GBRT训练
利用训练的特征表gbrt_offline_section_one_24，进行GBRT训练，例如以下图所以
进入配置界面。勾选训练的标签，稀疏矩阵名处输入刚才转好的稀疏矩阵gbrt_offline_section_one_24_1。模型输出表处填写模型输出表名。參数配置处依据效果进行配置（最開始默认就能够的）。例如以下图所看到的：
配置好仅仅好就能够进行训练了，等待训练好之后等到GBRT预測模型：gbrt_offline_section_one_25；
1.4、GBRT预測特征表准备
训练的特征表gbrt_offline_section_two_11格式与训练特征表格式一样，为：user_id, brand_id, feature1, feature2…Label 见下图：
1.5、建立预測稀疏矩阵表
特征稀疏表可直接在Xlab由原始特征表转换得到，方法和原来一样。直接截图例如以下：
须要注意的是，选择列必须和训练时候一样。。。
1.6、GBRT预測
利用转好的预測稀疏矩阵表gbrt_offline_section_two_11_1进行预測，例如以下图所看到的
进入界面例如以下：model 处填写刚才训练好的GBRT模型表：gbrt_offline_section_one_25；输出表名处填写预測结果输出表 gbrt_offline_section_two_13，然后进行预測。例如以下图所看到的：
1.7、GBRT碎碎念
GBRT预測好之后。得到的结果为与原始预測表gbrt_offline_section_two_11一一相应的单列值y_var(搞不懂为什么不提供类似RF那样预測结果追加user_id,brand_id 列)，例如以下图：
所以。还得进行追加ID列，进行zxs_gbrt_offline_section_two_13_1和zxs_gbrt_offline_section_two_11_1两张表的合并，得到类似user_id,brand_id,y_val的表，取阈值进行推荐就能够了。下图为xlab里提供的脚本，追加ID列代码。
另外：附上脚本实现的代码，方便測试：
———–__———–PS———__———-
版权声明：本文博客原创文章。博客，未经同意，不得转载。
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/117688.html原文链接：https://javaforall.cn
【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...
