Update 快手用户活跃预测-checkpoint.ipynb

机器学习竞赛实战_优胜解决方案/快手短视频用户活跃度分析/.ipynb_checkpoints/快手用户活跃预测-checkpoint.ipynb

@@ -438,7 +438,7 @@
    "metadata": {},
    "source": [
     "用户进来的时间，可能是第一天，可能是第二天等，当用户进来后，比如第7天，用户有了数据，从第7天开始第8天第9天用户的数据纬度都是一致的，也就是用户进来的那天当做用户自己的t1，第二天是t2以此类推到tn，用来预测该客户未来的某一天的可能性，比如用第一天(t1)数据用来预测第七天数据(t1+7)。\n",
-    "<img src=\"assets/20201129190029573.png\" width=\"100%\">\n",
+    "<img src=\"assets/20201129190029573.png\" width=\"70%\">\n",
     "目前是没有标签的，需要自己打标签，比如预测第7天，就给每个客户的ti+7天打上标签，用来预测，0表示没登录，1表示登录"
    ]
   },
@@ -49530,6 +49530,21 @@
     "\n",
     "可以看到上面的test_score（F1 Score）很高，也是比赛中非常接近冠军的值"
    ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### 总结：\n",
+    "构建数据之前，考虑清楚模型的选取，如果是选择RNN网络，构建的数据应该是个序列，t × f，t是时间步长，f是时间步长对应的特征，如数据中用户的注册数据就是t，只需要把f构建好就可以训练了。"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
   }
  ],
  "metadata": {