- 基于spark xgb 对于潜在新用户的弱特征进行建模，都是用关联的老用户的业务统计值、标签的统计值建模。
- label_1 :历史邀请发生注册的用户，label_0：这些邀请的老用户关联的所有的潜在新用户，未发生注册。
- 第一版的准确性只有55%。
- 因为这些潜在新客，无法获取其自身的相关特征，只能根据一度关系获取特征，故无法从特征上继续着手。
- 将label_1 为注册，改为发生业务1，准确性提升到65%；改为业务2，还维持在57%。
- 将潜在新客的特征中，有一个特征关联了多少个老用户，做过滤。取uv_total > 3，作为负样本，发生业务1的作为负样本，同时在建模的时候，将uv_total去掉，避免因uv_total在正负样本中的差异，而影响模型效果。结果在业务1上模型准确性提升到72%，其他几个业务提升到70%。
结论：
弱模型在无法新增有效特征的时候，考虑将特征的覆盖度做优化。uv_total <4时，很多特征的覆盖就很少。
问题：
加上uv_total 对负样本进行过滤，会导致负样本的所有统计特征的值会普遍偏大，导致样本特征有偏，也会对模型效果带来影响！！！
xgb模型准确性很低的调优
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
- 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
- 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
- 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
