xgboost中哪些特征可以歸一化？

短語參數的命名規則。現在xgboosts模塊。在這個模塊中，命名規則與skl:基本上用的是gbtr:多線程，如果沒有設置，算自動檢查并行計算的核心數量。

2.助推器參數

η(學習rat:學習率0.01-0.2。

min_chil:子節點的最低權重和。防止高的時候過貼，低的時候容易欠貼。

Max_d:損失閾值，當損失降低超過該閾值時，分割將繼續。

最大增量步長:在最大增量步長中，我們允許每個樹的權重估計為。

在subsampl:，當構建0.5-1中的每棵樹時，為了避免過擬合，只取一部分樣本進行構建。

colsampl:[0.5-1]特征采樣

Colsampl:L2正則化$T:L1正則項

秤_位置_重量

3.訓練參數

客觀二分類使用binary:logistic多分類使用multi:softmax直接返回標簽，也可以使用multi:softbob或predict_prob訓練后輸出類別的概率。

eval_metric:用它來評估。估計驗證數據:RMSE，平均誤差，對數損失，誤差，對數損失，auc。

4.XGBoost允許在每次boosting迭代中使用交叉驗證。因此，可以方便地獲得最佳的升壓迭代次數。而如果用sklearn的kfold和cross_val_score，這就是每個模型訓練只用一個固定數據，而不是每輪boosting都要交叉校驗。

5.關于特色工程

XGBOOST是樹的增強模型。由于樹的非線性特征，我們不不需要標準化(正態分布)或縮放(到01區間)特征。

或者拿log(這個存疑，我個人覺得拿log可能有用？)，但我們應該關注的是創造特色。

比如過去五天的平均值，去年同期的數值，環比增加，同比增長。比如租房的場景，房租/臥室數量這些和業務非常相關的東西，其實是需要不斷摸索才能找到的。XGBOOSTcan不能幫助我們獲得這些特性。

與深度學習相比，深度學習本質上依賴于特殊的結構，如LSTM和CNN，來獲得適合于這項業務的特征。

那么分類功能在XGBOOST中并不是特別有用，如果相關性不是很大可以去掉。如果類別不多，比如只有個位數的類別，可以添加。如果類別很多，可以考慮使用CATBOOSTING或者LIGHTGBM。

采購員的崗位職責，英文版？

R:

進行戰略性采購

-協助團隊領導建立采購預算、商品策略和運營計劃。

-研究采購營銷，推薦新的潛在供應商支持買家

本地化協調

-負責本地化開發，并針對項目指導提供跨職能支持

-與采購/SDE/采購團隊合作跟蹤所有開發零件的過程，包括所有驗證階段

-與內部部門合作，協調和推進新的本地化流程

-本地化FAI跟蹤列表，推動新的本地化流程

產品視圖計算(面向項目)

-定期創建MLL零件清單，并用Fico數據更新采購價格