mingchaozhu / deeplearning Goto Github PK

【2 线性代数.pdf】第2页公式（3）中：
$A_{i,j}^T = A_{i,j}$
应为
$A_{i,j}^T = A_{j,i}$

DL中文.pdf cannot be downloaded.

在式18后，原文中有一句话，“从这个式⼦也可以明显看出 w波浪 和 w* 是同号的。”

实际上上面这句话仅在

时成立，当小于等于时，需要另外考虑

下面和书中一样只讨论w*>0的情况，负数同理可证

当w波浪>0时，导数为正
当w波浪<0时，导数为负
所以当w波浪=0时取到最小值
这样才能解释为什么最后会有一个max

您好，在/code/chapter7.py中，第695行-699行

def _gain(self, y, y_pred):
  # 计算信息
  nominator = np.power((y * self.loss.grad(y, y_pred)).sum(), 2)
  denominator = self.loss.hess(y, y_pred).sum()
  return nominator / (denominator + self.lambd)

其中np.power((y*.......)，这个乘以y是否是多余的呢？印象中似乎不需要这么做。

此外，我自己实现的xgboost和另外两个xgboost的开源实现都没有这个乘以y。

以下是三个xgboost实现的链接。

https://github.com/bufuchangfeng/DecisionTree/blob/master/XGBoost.ipynb
https://github.com/RRdmlearning/Machine-Learning-From-Scratch/blob/master/xgboost/xgboost_model.py
https://github.com/RudreshVeerkhare/CustomXGBoost/blob/master/CustomXGBoost.py

感谢您提供了如此有帮助的代码。
期待您的回复。

可以下载《深入学习》的中文版pdf和中文版pdf阅读。这一文字后面的中文版应为英文版

您好，我是一名学生。我在github上找到了您的项目，并参考其中的代码实现了xgboost，但是效果很差，模型几乎没有学到任何东西。希望能够得到您的帮助！感谢！