- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习算法工程师
《机器学习》笔记-降维与度量学习（10）
章节目录 k近邻学习 低纬嵌入 主成分分析 核化线性降维 流形学习 度量学习 1 k近邻学习 k近邻（k-Nearest，简称kNN）学习是一种常用的监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其最靠近的 6 度量学习 在机器学习中，对高维数据进行降维的主要目的是希望找到一个合适的低维空间，在此空间中进行学习能比原始空间性能更好。 事实上，每个空间对应了在样本属性上定义的一个距离度量，而寻找合适的空间，实质上就是在寻找一个合适的距离度量。 直接尝试”学习“出一个合适的距离度量，就是度量学习（metric learning）的基本动机。
78340发布于 2018-07-27 - 来自专栏自学气象人
10个机器学习中常用的距离度量方法
距离度量是有监督和无监督学习算法的基础，包括k近邻、支持向量机和k均值聚类等。 距离度量的选择影响我们的机器学习结果，因此考虑哪种度量最适合这个问题是很重要的。 对于距离的度量，我们可以在几何距离测量和统计距离测量之间进行选择，应该选择哪种距离度量取决于数据的类型。 由于其直观，使用简单和对许多用例有良好结果，所以它是最常用的距离度量和许多应用程序的默认距离度量。 10、动态时间规整 Dynamic Time Warping 动态时间规整是测量两个不同长度时间序列之间距离的一种重要方法。可以用于所有时间序列数据的用例，如语音识别或异常检测。 当搜索最佳对齐时，这会产生更直观的相似性度量。
1.6K10编辑于 2022-11-11 - 来自专栏DeepHub IMBA
10个机器学习中常用的距离度量方法
距离度量是有监督和无监督学习算法的基础，包括k近邻、支持向量机和k均值聚类等。 距离度量的选择影响我们的机器学习结果，因此考虑哪种度量最适合这个问题是很重要的。 对于距离的度量，我们可以在几何距离测量和统计距离测量之间进行选择，应该选择哪种距离度量取决于数据的类型。 由于其直观，使用简单和对许多用例有良好结果，所以它是最常用的距离度量和许多应用程序的默认距离度量。 10、动态时间规整 Dynamic Time Warping 动态时间规整是测量两个不同长度时间序列之间距离的一种重要方法。可以用于所有时间序列数据的用例，如语音识别或异常检测。 当搜索最佳对齐时，这会产生更直观的相似性度量。
1.9K30编辑于 2022-11-11 - 来自专栏蓝桥杯历年省赛真题集
风险度量
题目 X星系的的防卫体系包含 n 个空间站。这 n 个空间站间有 m 条通信链路，构成通信网。 两个空间站间可能直接通信，也可能通过其它空间站中转。
87140发布于 2019-01-21 - 来自专栏图灵技术域
机器学习相似性度量（距离度量）
度量相似性（similarity measure）即距离度量，在生活中我们说差别小则相似，对应到多维样本，每个样本可以对应于高维空间中的一个数据点，若它们的距离相近，我们便可以称它们相似。 距离度量的基本性质 ? 注意最后一个可以理解为三角形两边之和大于第三边。 欧式距离 欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。 若我们定义的距离计算方法是用来度量相似性，例如下面将要讨论的聚类问题，即距离越小，相似性越大，反之距离越大，相似性越小。 这时距离的度量方法并不一定需要满足前面所说的四个基本性质，这样的方法称为：非度量距离（non-metric distance）。
2K20发布于 2021-05-21 - 来自专栏旅途散记
McCabe度量法
即 V(G) = 11-10+2 = 3 例2 下图用 白盒测试 方法进行测试，图中有（ ）条路径。 ，根据图示，可以找到不同的路径共4条： 1-2-3-11； 1-2-3-4-5-6-10-11； 1-2-3-4-5-7-9-10-11； 1-2-3-4-5-7-8-9-10-11。 根据题意，只需2个测试用例即可； 根据环路复杂度的计算公式 V（G）=m-n+2=11-10+2=3 判定覆盖（分支覆盖） 判定覆盖与条件覆盖的区别 软件测试中条件覆盖，路径覆盖，语句覆盖，分支覆盖的区别 V（G）=E-N+2=10-8+2=4 。 10-8+2=4。 例6 对以下的程序伪代码（用缩进表示程序块）进行路径覆盖测试，至少需要（ ）个测试用例。采用McCabe度量法计算其环路复杂度为（ ）。
2K30编辑于 2023-09-28 - 来自专栏AllTests软件测试
QA度量维度
QA度量维度 目录 1、执行过程质量 1.1、APP 1.2、Web 2、发布后质量反馈 2.1、APP 2.2、Web 1、执行过程质量 1.1、APP 1、安装测试 （1）首次安装测试
69610编辑于 2022-10-30 - 来自专栏机器学习算法与Python学习
距离度量，浅谈！
? ? ?
62800发布于 2018-07-31 - 来自专栏PowerBI战友联盟
PowerBI DAX 度量值管理 - 驾驭度量值依赖关系，删除无效
上回写到：PowerBI DAX 度量值管理 - 基本编写到高级管理 很多小伙伴说跟着罗叔已经学习到了很多，一个报告写了几百个度量值了，现在想查找和删除没用的，怎么办呢。 度量值的依赖关系 度量值之间是有依赖关系的。 这样，对于 [Start:KPI.Sales]，我们就不敢轻易删除，因为一旦这个度量值被删除，依赖他的度量值就都完犊子了。 所以，大家对删除一个度量值有恐惧感，是可以理解的。 检测度量值依赖关系 我们可以借助 PowerBI 外挂 Tabular Editor 来检测度量值的依赖关系，如下： ? 如果我们想考察谁依赖了当前的度量值，则可以选择第二项： ? 既然有这么多内容依赖于这个度量值，因此，是不能删除这个度量值的。 再例如： ? 对于这个度量值，没有任何人依赖它，就可以放心的删除了。
1.6K30发布于 2020-07-24 - 来自专栏jiajia_deng
算法效率的度量
我们已经接触了很多对于数组排序的算法，比如冒泡排序、选择排序、快速排序、插入排序、希尔排序、归并排序等，算法这么多，我们到底该在实际运用中选择哪一个呢？这就涉及到了取舍的问题，当然我们取舍的重点是算法的运行效率。那算法的运行效率到底如何评价呢？有的人说，你写一个测试程序运行一下（事后统计法），看看具体使用了多少时间不就知道了吗？当然这是一种办法，但是它还有很多的缺陷，下面我们就详细介绍一下算法统计的两种方法，一种称为“事后统计法”，另外一种称为“事前分析估算”。
41810编辑于 2023-10-20 - 来自专栏用户画像
西瓜书-性能度量
这就是性能度量，例如：均方差，错误率等，即“测试误差”的一个评价标准。 有了评估方法和性能度量，就可以计算出学习器的“测试误差”，但由于“测试误差”受到很多因素的影响，例如：算法随机性或测试集本身的选择，那如何对两个或多个学习器的性能度量结果做比较呢？这就是比较检验。 2.5 性能度量 性能度量（performance measure）是衡量模型泛化能力的评价标准，在对比不同模型的能力时，使用不同的性能度量往往会导致不同的评判结果。 本节除2.5.1外，其它主要介绍分类模型的性能度量。 正如天下没有免费的午餐，查准率和查全率是一对矛盾的度量。
92210发布于 2019-11-04 - 来自专栏JNing的专栏
机器学习: 性能度量
介绍 在机器学习中，性能度量主要体现在三个指标： 查准率（P）、查全率（R）、F1 。
79720发布于 2018-09-28 - 来自专栏软件测试架构师俱乐部
质量内建，如何度量？
可见，要想有效管理某个事务，就需要将它全面且有效地度量起来。 质量度量体系如何建设？ 大家都知道作为测试人员，主要任务是质量保障，保障线上环境没有故障和缺陷，最终交付给真实用户的质量，即交付质量。 那么，质量度量是不是只关注交付质量指标就足够了呢？答案显然是否定的。因为如果只关注交付质量，往往达不到提升交付质量的目的。 二、交付过程中的质量度量 1、需求阶段，可以通过以下维度进行度量 一般来说，需求质量 Bug 数应该占总 Bug 数的 5% 左右。需求评审打回的标准可以是发现 5 个逻辑类的问题。 3、在测试阶段，可以通过以下维度进行度量 4、在发布阶段，可以通过以下维度进行度量 通常情况下，构建失败率和发布回滚率应该控制在 1% 以内，所以每一次发布失败和发布回滚都值得深入分析。 三、质量度量的认知 追求单一或局部指标的提升比较容易，但很容易产生扭曲行为，构建指标体系并整体提升才是正确的路。
1.1K20编辑于 2022-09-20 - 来自专栏ThoughtWorks
如何度量软件架构
为什么要度量软件架构 不管是架构治理，还是团队管理，通过有效的度量都能找到问题并加以改进，指标也能反映改进后的效果。 “ 如果你无法度量它，你就无法管理它。 —— 彼得·德鲁克 ” 软件系统的维护者就是医生，指标度量的重要性不言而喻，一方面可以通过度量找到系统架构的问题，另一方面也可以通过度量，来指导改进并观察改进效果。 通过哪些指标度量软件架构 然而，值得强调的是，给出一套度量标准用来衡量所有的软件架构是不切实际的。 quality characteristics will depend on the high-level goals and objectives for the project. ” 这两句话放到10
75030编辑于 2023-08-08 - 来自专栏拓端tecdat
数据度量消费贷款
度量消费贷款的特征 我们分析了不同城市的产品平均申请人数，可以看到，消费金融在上海、北京、深圳、杭州等城市等更加火爆，而在其他城市则相对冷清。
68030发布于 2020-08-05 - 来自专栏用户6296428的专栏
质量度量记实
质量度量是指我们采集了一些产品研发过程及上线后质量相关的数据，经过聚合计算，通过图表、质量分等方式呈现出来这件事。 在业界也有一些关于这方面的分享，比如“质量运营”，“数字化软件过程”，“质量罗盘”等，今天我们就来分享一下做质量度量的过程与思考。 一、背景与目标 为什么做这件事？ 之前关于质量相关的数据都是散落在各个系统，查看起来不方便，并且无法以我们关心的维度、指标去看这些数据，为管理与质量运营做支撑；因此想通过做质量度量，达到让关心质量的小伙伴查看部门、应用等维度产品的质量做的怎么样 举例：如单测覆盖达成率，设定目标为应用单测覆盖率要达到80%，如果营销部门一共有10个应用，5个应用达到80%，那么营销部门单测覆盖达成率就是50%。 四、总结 质量度量在测试与效能团队共同努力下，经过前后三个迭代的不断完善，功能在9月份全部上线完成。总结经验教训，在产品设计上我们需要明确用户是谁？面临什么问题？具体场景是什么？
96930发布于 2020-08-25 - 来自专栏CKL的思考空间
度量平台落地实践
恰巧笔者在去年也负责了公司度量平台的研发，有一些收获，通过本文分享给大家，也算是自己对这个平台总结。为后续在新团队开展度量活动理清思路。 没有可靠的度量数据，只能凭借自己的感觉或者经验，无法弄成统一的大局观，看似解决了某一个痛点，但并未对团队的整体交付带来更高的价值 NO.3 度量指标的选择 明确了目标后，我们就可以有选择性的选择度量指标 放一些效果图给大家参考下： NO.5 测试活动只是开始，不是结束 度量平台搭建完成后，并不意味着度量活动的终结，恰恰相反，有了度量平台，反而是我们做持续改进的开始，度量的最终结果不是一个可视化的图表 同时，度量是动态变化的，在持持续改进的进程中，我们需要逐步提高标准。 同时，不要把度量反馈的数值直接和个人的KPI关联，这样会很容易把度量引导到不正确的方向。 开奖时间是10月24日 00:00。个人看完这本书了，感觉非常不错，推荐大家仔细阅读。
88720编辑于 2023-02-01 - 来自专栏软件测试经验与教训
软件质量度量
第二个原因是高层掌握的项目质量相关数据可能没有我们全面，如果我们提供了一些简单的、抽象的数据给高层，可能会导致他们做出错误的决策，也就是说通过度量信息有时候并不能完整的说明一个项目的整体情况。 在整理度量数据的时候，先把目的弄清楚，也要知道自己在统计什么数据，谁将看到这些数据，要了解度量的条件背景。。。我做度量的目的重要有两个：这个数据是否有助于提高质量，或者是否有助于提升开发的效率。 质量度量这个事可以多去尝试，多利用度量帮助项目干系人了解项目进展，以及各个方面的质量状况。
2.5K70发布于 2018-05-15 - 来自专栏博文视点Broadview
研发效能度量不要“你觉得”，而要这样的度量指标体系！
这就是我们需要进行研发效能度量的原因。 研发效能度量可以让效能可量化、可分析、可提升，通过数据驱动的方式更加理性地评估和改善效能，而不是总凭直觉感性地说“我觉得……”。 1 度量框架 在由中关村智联软件服务业质量创新联盟、中国软件协会过程改进分会发起的《软件研发效能度量规范》标准中提出了如下框架。 在大部分情况下，问题改进需要经历多个迭代，持续度量改进效果，不断校准改进的方向和方法。 2 度量指标体系 ▊ 指标设计原则 全局最优，而不是局部最优。 ✸ 趋势分析 如下是某业务线上缺陷修复时长在2021年1月～2021年10月的趋势图。 从2021年2月～2021年6月之间，线上缺陷修复时长随着时间的推移，持续处于上升趋势，即缺陷修复越来越慢。 除此之外，还要进行度量平台的建设、专项度量分析等，更多内容请参见《软件研发效能权威指南》一书，本书由茹炳晟和张乐领衔主编，48位领域专家共同编写。
5K20编辑于 2023-04-04 - 来自专栏Brian
机器学习性能度量
机器学习度量 error rate(错误率):把分类错误的样本数占样本总数的比例。E=a/m accuracy(精确度):分类正确的样本数占样本总数的比例。
745110发布于 2018-04-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号