离语

semaphore

首页 >> 离语 >> 离语最新章节(目录)
大家在看快穿之年代文那些不甘心的悲催人 规则怪谈:我即怪谈 腹肌兵哥缠人,在七零日日笙歌 崩坏:她们都信了! 开局选择观山太保,我签到修仙 龙珠:开局赛亚人,修神象镇狱劲 当我家超市成为万界交易中心之后 玖玖的穿越之旅 清穿好孕:一不小心活到九十九 神秘复苏,没有系统我也浪! 
离语 semaphore - 离语全文阅读 - 离语txt下载 - 离语最新章节 - 好看的其他类型小说

第301章 密码

上一章书 页下一章阅读记录

基于聚类的离散化假设我们有一个包含1000个房屋的价格数据的数据集,我们想将价格分成5个簇,以下是离散化方法:首先,随机分配5个中心点。根据每个房屋的价格和这5个中心点的距离,将每个房屋分入距离最近的中心点对应的簇中。重新计算每个簇的中心点,以中心点的坐标作为新的中心点。重复步骤2和步骤3,直到中心点的移动小于某个阈值或达到最大迭代次数。最终得到的5个簇即为我们需要的离散化结果。自适应离散化假设我们有一个包含个商品销售量数据的数据集,我们想将销售量离散化成n个区间,以下是离散化方法:先将所有商品销售量根据大小排序。初始时,将数据集分成n个区间,每个区间保持相等的数据数量。计算每个区间的范围(最小值和最大值),并计算相邻区间的范围的中点,这些中点作为新的分割点。根据新的分割点重新划分区间,如果新的区间与原来的区间相同,则算法停止。否则,重复步骤3和步骤4。最终得到的n个区间即为我们需要的离散化结果。卷积核输出形状卷积神经网络中的卷积层的输出维度计算,可以通过以下公式得出:输出的高度 = (输入的高度 - 卷积核的高度 + 2 * padding) \/ 步长 + 1输出的宽度 = (输入的宽度 - 卷积核的宽度 + 2 * padding) \/ 步长 + 1输出的深度 = 卷积核的数量这里,padding是指在输入数据周围填充的0的行数或列数(在计算输出大小时有助于保持空间尺寸不变),步长是指卷积核移动的步数。输出的深度直接取决于我们使用的卷积核的数量。输入数据大小为32 x 32大小单通道图片,在c1卷积层使用6个大小为5 x 5的卷识核进行卷积,padding = 0,步长为1通过6个大小为5 x 5的卷识核之后的输出是多大尺寸的,怎么用公式计算给定:输入的高度 h = 32;输入的宽度 w = 32;卷积核的高度 Kh = 5;卷积核的宽度 Kw = 5;卷积核的数量 K = 6;步长 S = 1;padding p = 0根据上述公式,我们可以计算出卷积后的输出尺寸:输出的高度 = (h - Kh + 2p) \/ S + 1 = (32 - 5 + 2*0) \/ 1 + 1 = 28输出的宽度 = (w - Kw + 2p) \/ S + 1 = (32 - 5 + 2*0) \/ 1 + 1 = 28输出的深度 = K = 6所以,通过6个大小为5x5的卷积核后的输出尺寸为 28x28x6。

留出法(holdout method):基本思想:将原始数据集划分为训练集和测试集两部分,其中训练集用于模型训练,而测试集则用于评估模型的性能。实施步骤:根据比例或固定的样本数量,随机选择一部分数据作为训练集,剩余部分用作测试集。优点:简单快速;适用于大规模数据集。缺点:可能由于训练集和测试集的不同导致结果的方差较高;对于小样本数据集,留出的测试集可能不够代表性。2交叉验证法(cross-Validation):基本思想:将原始数据集划分为K个大小相等的子集(折),其中K-1个子集用于训练模型,剩下的1个子集用于测试模型,这个过程轮流进行K次,最后将K次实验的结果综合得到最终的评估结果。实施步骤:将数据集随机划分为K个子集,依次选择每个子集作为验证集,其余子集作为训练集,训练模型并评估性能。重复这个过程K次,取K次实验的平均值作为模型的性能指标。优点:更充分利用了数据;可以减小因样本划分不同而引起的方差。缺点:增加了计算开销;在某些情况下,对于特定划分方式可能导致估计偏差。3自助采样法(bootstrapping):基本思想:使用自助法从原始数据集中有放回地进行有偏复制采样,得到一个与原始数据集大小相等的采样集,再利用采样集进行模型训练和测试。实施步骤:从原始数据集中有放回地抽取样本,形成一个新的采样集,然后使用采样集进行模型训练和测试。优点:适用于小样本数据集,可以提供更多信息;避免了留出法和交叉验证法中由于划分过程引入的变化。缺点:采样集中约有36.8%的样本未被采到,这些未被采到样本也会对模型性能的评估产生影响;引入了自助抽样的随机性。拓展:选择何种数据集划分方法应根据以下因素进行综合考虑:1数据集大小:当数据集较大时,留出法能够提供足够的训练样本和测试样本,而且计算开销相对较小。当数据集较小时,交叉验证法和自助采样法能更好地利用数据。

2计算资源和时间限制:交叉验证需要多次训练模型并评估性能,所以会增加计算开销;自助采样法则需要从原始数据集中进行有放回的采样,可能导致计算成本上升。如果计算资源和时间有限,留出法可能是更可行的选择。3数据集特点:如果数据集具有一定的时序性,建议使用留出法或时间窗口交叉验证,确保训练集和测试集在时间上是连续的。如果数据集中存在明显的类别不平衡问题,可以考虑使用分层抽样的交叉验证来保持类别比例的一致性。4评估结果稳定性要求:交叉验证可以提供多个实验的平均结果,从而减少由于随机划分带来的方差。如果对评估结果的稳定性要求较高,交叉验证是一个不错的选择。总而言之,没有一种数据集划分方法适用于所有情况。选择合适的方法应根据具体问题的需求、数据集的大小以及可用的资源和时间来进行综合考虑,并在实践中进行实验比较以找到最佳的划分方式。2、请列举模型效果评估中准确性、稳定性和可解释性的指标。1准确性:准确率(Accuracy):预测正确的样本数量与总样本数量的比例。精确率(precision):预测为正类的样本中,真实为正类的比例。召回率(Recall):真实为正类的样本中,被模型预测为正类的比例。F1值(F1-Score):综合考虑了精确率和召回率的调和平均,适用于评价二分类模型的性能。2稳定性:方差(Variance):指模型在不同数据集上性能的波动程度,方差越大说明模型的稳定性越低。交叉验证(cross Validation):通过将数据集划分为多个子集,在每个子集上训练和评估模型,然后对结果进行平均,可以提供模型性能的稳定估计。3可解释性:特征重要性(Feature Importance):用于衡量特征对模型预测结果的贡献程度,常用的方法包括基于树模型的特征重要性(如Gini Importance和permutation Importance)以及线性模型的系数。4可视化(Visualization):通过可视化模型的结构、权重或决策边界等,帮助解释模型的预测过程和影响因素。5 ShAp值(Shapley Additive explanations):一种用于解释特征对预测结果的贡献度的方法,提供了每个特征对最终预测结果的影响大小。这些指标能够在评估模型效果时提供关于准确性、稳定性和可解释性的信息,但具体选择哪些指标要根据具体任务和需求进行综合考虑。

上一章目 录下一章存书签
站内强推御女天下 渔港春夜 都市偷心龙爪手 福艳之都市后宫 钢铁森林 玄鉴仙族 人生得意时须纵欢 都市花缘梦 剑来 明星系列多肉小说 长公主病入膏肓后 重生香港之娱乐后宫 山乡艳事 都市女儿国 好色小姨 斗罗玉传 一念之私 我成封号斗罗后,封印才被解除 慢穿:在各个小世界里疯狂囤货 九星霸体诀 
经典收藏都市女儿国 诡异游戏入侵,氪金十亿当鬼王 文体巨星 齁甜!万人迷炮灰被病娇亲哭啦 重生大明之六世荣耀,老娘不要 大佬在六零,干饭第一名 六零年代,小脚娘的二婚生活 六零军婚嫁首长!易孕军嫂顶不住 清穿好孕:一不小心活到九十九 盗墓:黑爷,打一架? 诡秘:我儿子是罗塞尔 诡秘:命运 慢穿:在各个小世界里疯狂囤货 柯南:在柯学世界发展商业 四合院回到五零 盗墓军阀:打造最强盗墓天团 快穿:作精洗白手册 田园之一等童养媳 三个男人竟然想追我? 年代故事集宠妻男人最好命 
最近更新老婆打遍诸天万界,我无敌了 噶我腰子?我靠氪金电子女友杀穿缅北 互换婚书你提的,朕登九五你哭啥? 王爷不近女色,我却孕吐三年 新美人鱼传说 三岁福宝有空间,全家一起宠翻天 崩铁:云骑小姐与普通的我 致命偏宠,顾少步步诱哄 重生后,皇帝为我痛哭流涕 穿越红楼之寡妇李纨 为你写序 乡村的那个小子 长生仙缘从凡人苟到飞升 震惊!捡来的迷你古宅竟然通古今 甄嬛传之穿越嫔妃逆袭记 盗墓:我是盗墓五子的金手指 魔即为天 系统是个黑莲花 穿越兽世:无嗣雌性多崽多福 青山谋 
离语 semaphore - 离语txt下载 - 离语最新章节 - 离语全文阅读 - 好看的其他类型小说