- 综合排序
- 最热优先
- 最新优先
- 来自专栏阿黎逸阳的代码
模型稳定性指标—PSI
模型效果主要从两个方面衡量： 1.模型本身的效果，主要评价指标包括区分度、准确度等。 2.模型稳定性，主要评价指标包括PSI和CSI等。 之前阐述了模型本身的评价指标：混淆矩阵、F1值、KS曲线、count_table和ROC曲线AUC面积，本文介绍模型稳定性指标PSI。 模型PSI关注训练集和验证集，以及模型上线部署后，模型的分布是否稳定。 为什么要关注模型的稳定性？ 而且，在模型训练过程中，虽然有测试集衡量模型的稳定性，但仍不能排除模型存在过拟合的情况。 这些原因都可能导致模型在面对近期样本时，没有那么稳定。所以我们要关注模型的稳定性。 2 PSI计算公式 不管是变量PSI还是模型PSI，其底层逻辑是一样的。
4.7K11编辑于 2023-08-21 - 来自专栏Python数据科学
风控模型：PSI 稳定性指标详解(Python)
这是对风控宏观层面的理解，将视角缩小至风控模型上，也是如此。风控模型人员在做模型时可能更关注效果AUC/KS等评估指标，效果胜过一切。但其实对于模型而言，稳定性的重要程度要胜过效果。 如果模型不稳定，即便离线效果比较好但线上稳定性差，那么对于整个风控决策结果而言就是致命的，因为此时你无法保证有大概率的胜算了。 本文将介绍风控中稳定性指标PSI的概念和理解，以及A卡模型上线后如何对模型分及入模变量进行稳定性观测。 ： 模型分数：对模型输出的概率结果或者分数结果进行PSI稳定性的检验，使用场景可以为以上三种 变量值：对入模变量进行PSI稳定性的检验，使用场景同样为以上三种 举个例子，比如模型已经正式上线，我们通过监控报表发现近期通过率在不断地升高 这种波动或者异常说明模型可能在衰减，结果在发生偏移。为了验证我们的猜想，就需要计算模型逐月的PSI稳定性指标。
6.3K11编辑于 2023-11-30 - 来自专栏算法工程师的学习日志
Matlab-二自由度汽车操纵稳定性模型
以前做的一个课堂作业，分享给有需求的读者 1 模型假设 1) 忽略转向系的影响，以前、后轮转角作为输入； 2) 汽车只进行平行于地面的平面运动，而忽略悬架的作用； 3) 汽车前进（纵轴）速度不变，只有沿 2 模型建立 根据模型假设建立如图1所示的二自由度汽车模型。 图1 二自由度汽车模型 对模型受力分析，存在3个方向的受力平衡，分别为x、y和绕Z的力矩平衡，建立力学方程如下。 3 模型仿真 下表为已知的车辆参数， 在MATLAB>Simulink中搭建状态空间模型，模型如图所示。 图2 状态空间模型 （1）在前轮偏转角为1°，后轮偏转角为0°，车速为40km/h的情况下，输出前后轮的横向位移情况，输出结果如图3。 4 结论 通过建立汽车动力学模型，对汽车操纵性进行饿模拟。根据仿真结果可以发现车速和前轮转角都对二自由度汽车的操纵稳定性有很大影响。汽车以较低速度、较小的前轮转角行驶时，是相对安全的。
1.2K20编辑于 2022-07-27 - 来自专栏阿甘的码路2
稳定性治理二，稳定性分析
支付宝2015年发生了大规模的宕机事件，原因是杭州市萧山区某地光纤被挖断导致，为确保异地容灾、多活，后面专门进行了全链路单元化改造，整个交易链路都进行了单元化改造，并且经常在大促前夕进行单机房演练；
90551编辑于 2023-08-17 - 来自专栏韩曙亮的移动开发专栏
【数字信号处理】离散时间系统稳定性 ( 稳定性概念 | 稳定性用法 )
文章目录 一、离散时间系统稳定性 二、离散时间系统稳定性实际用法 一、离散时间系统稳定性 ---- 线性时不变 LTI 系统 , 如果 " 输入序列 " 有界 , 则 " 输出序列 " 也有界 ; 充要条件 : \sum^{+\infty}_{m = -\infty} |h(n)| < \infty 二、离散时间系统稳定性实际用法 ---- 实际用途 : 设计一个 滤波器 , 设计完 滤波器参数 后 ,
3.9K30编辑于 2023-03-30 - 来自专栏JAVA
解决AI训练中的“Convergence Warning”报错：提高模型稳定性 ️♂️
解决AI训练中的“Convergence Warning”报错：提高模型稳定性 ️♂️ 大家好，我是默语，擅长全栈开发、运维和人工智能技术。 今天，我们将深入探讨AI训练中的一个常见问题——“Convergence Warning”报错，并提供提高模型稳定性的解决方案。 本文将详细分析“Convergence Warning”报错的成因，并提供一系列提高模型稳定性的技巧和方法，以帮助大家优化模型训练过程。 理解并解决这一问题对于提升模型的稳定性和准确性至关重要。 “Convergence Warning”报错的成因分析 1. 学习率设置不当 学习率是影响模型训练速度和稳定性的重要参数。 A: 数据增强技术通过增加训练数据的多样性，提升模型的泛化能力，防止过拟合，从而提高模型的收敛性和稳定性。
52510编辑于 2024-11-22 - 来自专栏DeepHub IMBA
5种常用的交叉验证技术，保证评估模型的稳定性
换句话说，为什么一个模型在私有排行榜上评估时会失去稳定性? 在本文中，我们将讨论可能的原因。我们还将学习交叉验证和执行它的各种方法。 模型的稳定性? 总是需要验证你的机器学习模型的稳定性。 让我们通过一个例子来进一步了解模型的稳定性。 在这个例子中，我们试图找出一个人购买汽车与否的关系，这取决于他的收入。为此，我们采取了以下步骤: 我们用一个线性方程建立了买车与否和个人收入之间的关系。 这有助于实现更一般化的关系，并维护模型的稳定性。 交叉验证是什么? 交叉验证是一种在机器学习中用于评估机器学习模型性能的统计验证技术。 这个度量将有助于更好地一般化模型，并增加模型的稳定性。 交叉验证(LOOCV) 在这种方法中，我们将现有数据集中的一个数据点放在一边，并在其余数据上训练模型。这个过程迭代，直到每个数据点被用作测试集。 我们选择一个列车集，它具有最小的观测量来拟合模型。逐步地，我们在每个折叠中改变我们的列车和测试集。 总结 在本文中，我们讨论了过拟合、欠拟合、模型稳定性和各种交叉验证技术，以避免过拟合和欠拟合。
1.8K20发布于 2020-06-17 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-5 SVM中使用多项式特征和核函数
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍两种能够使SVM算法解决非线性数据集的方法，使用多项式特征以及使用多项式核函数。
3.5K30发布于 2020-07-08 - 来自专栏圆圆的算法笔记
谷歌KDD23工作：如何提升推荐系统ranking模型训练稳定性
谷歌在KDD 2023发表了一篇工作，探索了推荐系统ranking模型的训练稳定性问题，分析了造成训练稳定性存在问题的潜在原因，以及现有的一些提升模型稳定性方法的不足，并提出了一种新的梯度裁剪方式，提升了 ranking模型的训练稳定性。 1、模型背景 本文以Youtube中的ranking模型为例，进行推荐系统ranking模型训练稳定性的分析。 2、影响稳定性的因素 为什么推荐系统中的模型，存在这样的训练稳定性问题呢？ 虽然上述梯度裁剪方法有助于提升ranking模型训练稳定性，但是文中发现这类方法对于推荐系统中的ranking模型并不能起到有效作用。
89540编辑于 2023-08-17 - 来自专栏贰叁壹运维
持续稳定性考察
药品的稳定性是指药品稳定保持其物理、化学、生物学性质及其疗效和安全性的能力。对药品的稳定性要求属于药品管理法规规范重点，各国的药典和新药注册审批等都对药品的稳定性研究有详细的规定。 依据考察目的的不同，上市产品稳定性考察可分为常规稳定性考察、刚上市产品的稳定性考察和特殊稳定性考察。 常规稳定性考察：针对正常生产条件下的常规产品而进行的持续稳定性考察。 新上市产品的稳定性考察：新产品上市，对正式生产销售前三批产品进行持续稳定性考察。 稳定性考察批次和取样时间点 常规稳定性考察：通常要求同一品种每个规格至少考察1批。对于稳定性较差（如容易降解）的产品，应该根据该产品历史稳定性数据适当增加考察批数。 稳定性数据的评价 稳定性考察有助于发现产品稳定性变化趋势，确保产品在运输、储存和使用过程中的质量。
2.6K40发布于 2021-05-06 - 来自专栏程序员升级之路
Redis稳定性实践
二、大促时稳定性保障 大促的时候因为流量比往常高几倍，甚至是几十倍，更需要保证系统稳定性。
1.6K31发布于 2020-09-11 - 来自专栏智能大数据分析
【深度学习基础】多层感知机 | 数值稳定性和模型初始化
到目前为止，我们实现的每个模型都是根据某个预先指定的分布来初始化模型的参数。有人会认为初始化方案是理所当然的，忽略了如何做出这些选择的细节。甚至有人可能会觉得，初始化方案的选择并不是特别重要。 相反，初始化方案的选择在神经网络学习中起着举足轻重的作用，它对保持数值稳定性至关重要。此外，这些初始化方案的选择可以与非线性激活函数的选择有趣的结合在一起。 不稳定梯度带来的风险不止在于数值表示；不稳定梯度也威胁到我们优化算法的稳定性。我们可能面临一些问题。 要么是梯度爆炸（gradient exploding）问题：参数更新过大，破坏了模型的稳定收敛；要么是梯度消失（gradient vanishing）问题：参数更新过小，在每次更新时几乎不会移动，导致模型无法学习 二、参数初始化 解决（或至少减轻）上述问题的一种方法是进行参数初始化，优化期间的注意和适当的正则化也可以进一步提高稳定性。
39910编辑于 2025-01-25 - 来自专栏DrugOne
. | 用重构的蛋白生成模型预测蛋白稳定性
DRUGONE 蛋白稳定性变化预测对疾病机制解析与蛋白工程至关重要，但受限于数据偏倚与模型泛化能力，长期难以规模化应用。 研究人员提出 SPURS，一种通过模型重构（rewiring）整合蛋白语言模型与逆折叠模型的深度学习框架，并在超大规模稳定性数据上进行高效微调。 近年来，大规模蛋白生成模型在无监督任务中展现出潜力，但直接微调用于稳定性预测常导致过拟合或性能退化，亟需新的整合范式。 方法 SPURS 通过重构策略将序列驱动的蛋白语言模型与结构驱动的逆折叠模型进行深度融合。研究人员在语言模型内部引入轻量级适配模块，使其能够吸收结构模型学习到的几何稳定性特征，同时保留进化先验。 未来，SPURS 有望作为稳定性预测的通用基础模型，与蛋白设计、变异致病性评估及生成式模型协同，进一步推动蛋白工程与精准医学的发展。
23210编辑于 2025-12-25 - 来自专栏IT技术订阅
Kafka 的稳定性
多分区原子写入： 事务能够保证Kafka topic下每个分区的原⼦写⼊。事务中所有的消息都将被成功写⼊或者丢弃。 ⾸先，我们来考虑⼀下原⼦读取-处理-写⼊周期是什么意思。简⽽⾔之，这意味着如果某个应⽤程序在某个topic tp0的偏移量X处读取到了消息A，并且在对消息A进⾏了⼀些处理（如B = F（A）），之后将消息B写⼊topic tp1，则只有当消息A和B被认为被成功地消费并⼀起发布，或者完全不发布时，整个读取过程写⼊操作是原⼦的。 现在，只有当消息A的偏移量X被标记为已消费，消息A才从topic tp0消费，消费到的数据偏移量（record offset）将被标记为提交偏移量（Committing offset）。在Kafka中，我们通过写⼊⼀个名为offsets topic的内部Kafka topic来记录offset commit。消息仅在其offset被提交给offsets topic时才被认为成功消费。 由于offset commit只是对Kafka topic的另⼀次写⼊，并且由于消息仅在提交偏移量时被视为成功消费，所以跨多个主题和分区的原⼦写⼊也启⽤原⼦读取-处理-写⼊循环：提交偏移量X到offset topic和消息B到tp1的写⼊将是单个事务的⼀部分，所以整个步骤都是原⼦的。
1.7K10编辑于 2022-06-23 稳定性生产总结
本期我们来谈下稳定性生产这个话题，稳定性建设目标有两个：降发生、降影响，在降发生中的措施是做到三点：系统高可用、 高性能、 高质量，三高问题确实是一个很热的话题，里面涉及很多点。 一、分布式系统稳定性建设模式那怎样完成降发生和降影响两个目标呢，那就需要一个好的建设模式，稳定性建设模式是指在开展稳定性建设工作过程中应重点关注的技术方法或方案，这里面有一系列技术模式来支撑稳定性能力实现 二、分布式系统稳定性建设路径那我们在实际工作中怎样进行建设呢？需要做两件事：需求分析和实现分析。（一）稳定性建设需求分析需求分析可以分为确认分析对象主体和确定服务需求两部分。 2、建设组织保障能力包括人力资源支持、技术资源支持、组织优化3、建设稳定性保障体系包括如下内容：在建设之后，我们可以依照如下指标来进行衡量建设的效果以上就是我们本期稳定性生产方面的内容了，故障的发生是复杂多样的 ，定义业务或者服务的slo以结构化，来保障稳定性能力。
57401编辑于 2024-04-15- 来自专栏云Elasticsearch Service
ElasticSearch稳定性优化
在内存回收方面消耗；2、高阶内存不足优化：整理碎片化内存，保证有充足高阶内存，降低CPU在内存碎片整理消耗；经过上述优化措施后，ES系统的读写成功率达到99.999%，超出当前的可用性要求，保障ES在生产环境稳定性
1.2K51编辑于 2022-12-07 - 来自专栏斑斓
软件系统的稳定性
软件系统的稳定性，主要决定于整体的系统架构设计，然而也不可忽略编程的细节，正所谓“千里之堤，溃于蚁穴”，一旦考虑不周，看似无关紧要的代码片段可能会带来整体软件系统的崩溃。 软件系统的稳定性，主要决定于整体的系统架构设计，然而也不可忽略编程的细节，正所谓“千里之堤，溃于蚁穴”，一旦考虑不周，看似无关紧要的代码片段可能会带来整体软件系统的崩溃。
7.8K60发布于 2018-03-07 - 来自专栏全栈程序员必看
稳定性测试怎么做_stata稳定性检验怎么做
稳定性对产品的重要性不言而喻。 而作为质量保障，在稳定性测试方面的探索也在不断演化。 稳定性测试的场景设计简单，和线上实际运行有较大的出入。带来的直接结果是稳定性测试发现的问题比较有限，做完之后仍然没有特别大的信心。 图片 那稳定性测试究竟该如何做？别人在怎么做？ 第二个阶段：基于一定的产品压力模型的，已上线产品 我们不难观察产品线上的典型业务及业务比例，那么在过去的七天或者一个月的时间内，产品每天的业务模型是什么样的？根据线上监控及统计不难得出。 这个阶段就是为了模拟线上的这种业务模型下，也即是存在峰谷变化的压力、典型的一些Web产品每天的压力模型是比较固定的，比如每天早上9点，下午4点，晚上10点都会存在压力峰值。 02 对稳定性测试三个阶段的定义 目前稳定性测试采用的性能测试场景设计使用混合场景模式，基于产品业务模型或用户行为来定义场景，包括产品的典型业务、典型业务之间的组合关系、典型业务之间的比例等，这里不详细介绍
1.4K20编辑于 2022-10-29 - 来自专栏全栈程序员必看
什么软件可以测试网络的稳定性,网络稳定性测试软件
=======================================================================
2.2K10编辑于 2022-09-30 模型太大跑不动？工业视觉轻量化，降低延迟、减少功耗、提升稳定性
学生模型最终获得的能力，常常青出于蓝，能以十分之一甚至百分之一的体量，逼近教师的智慧。而量化操作，则改变了模型的“货币单位”。它将模型参数从高精度的浮点数（比如32位），转换为8位甚至更低的整数。 我曾见过一个团队，为了将某个检测模型部署到智能相机里，进行了超过一百次的迭代。他们最终找到的，不是一个“最优”模型，而是一个“最稳”的版本。 未来：效能，将成为模型出厂时的原生基因我们正站在一个拐点上。效率，将不再只是模型落地时才被考虑的“优化项”，而会逐渐成为其设计与训练时的“原生基因”。 大模型与边缘计算也并非平行线。我们正在见证“大模型边缘化”与“边缘模型大进化”的奇妙融合。 通过大模型强大的通用理解能力，在云端完成对复杂缺陷的零样本或少样本学习，再通过高效的蒸馏技术，将这种能力“空投”到边缘侧的小模型上。
21910编辑于 2026-01-30
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