数据结构化平台
微信扫码沟通，客服可协助直接对接工程师；如当前档期不合，也可继续推荐相似案例作者。
案例介绍
项目简介：使用基于词频和位置等信息为特征的，正负样本不均衡样本集的机器学习分类任务。基于正则表达式抽取后进行实体分类。
个人职责：负责样本预处理，生成特征，特征选择，模型训练，模型的选择和评价。
所用技术：
1. 做Under Sample 和 Over Sample 处理正负样本不均衡问题，做交叉验证；
2. 对关键词周围的词频生成语言模型，用卡方和PCA做特征选择和降维。
3. 对比XGboost和Adaboost在效率和效果的表现,决策树作为弱分类器的机器学习模型，在少样本和样本不均的数据集上表现良好；
4. 构建模型评价模块，绘制在训练集，验证集，测试集上的PR,AUC曲线，混淆矩阵。计算准召率，F1得分等；
个人职责：负责样本预处理，生成特征，特征选择，模型训练，模型的选择和评价。
所用技术：
1. 做Under Sample 和 Over Sample 处理正负样本不均衡问题，做交叉验证；
2. 对关键词周围的词频生成语言模型，用卡方和PCA做特征选择和降维。
3. 对比XGboost和Adaboost在效率和效果的表现,决策树作为弱分类器的机器学习模型，在少样本和样本不均的数据集上表现良好；
4. 构建模型评价模块，绘制在训练集，验证集，测试集上的PR,AUC曲线，混淆矩阵。计算准召率，F1得分等；
数据结构化平台
联系该工程师
微信扫码，建群沟通
案例介绍
项目简介：使用基于词频和位置等信息为特征的，正负样本不均衡样本集的机器学习分类任务。基于正则表达式抽取后进行实体分类。
个人职责：负责样本预处理，生成特征，特征选择，模型训练，模型的选择和评价。
所用技术：
1. 做Under Sample 和 Over Sample 处理正负样本不均衡问题，做交叉验证；
2. 对关键词周围的词频生成语言模型，用卡方和PCA做特征选择和降维。
3. 对比XGboost和Adaboost在效率和效果的表现,决策树作为弱分类器的机器学习模型，在少样本和样本不均的数据集上表现良好；
4. 构建模型评价模块，绘制在训练集，验证集，测试集上的PR,AUC曲线，混淆矩阵。计算准召率，F1得分等；
案例图片
1小时精推人才
需求方专属客服，免费梳理匹配
扫码加微信 · 客服人工对接
