- 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 - 来自专栏学习笔记持续记录中...
处理模型数据（7）
Spring MVC提供了以下几种途径输出模型数据： ModelAndView 控制器处理方法的返回值是ModelAndView，则其既包含视图信息，也包含模型数据信息 // success.jsp 返回的目标页面 ; return modelAndView; } } Map&Model Spring MVC 在内部使用了一个org.springframework.ui.Model接口存储模型数据 ，具体步骤： 1）SpringMVC在调用方法前会创建一个隐含的数据模型，作为模型数据的存储容器， 成为”隐含模型” 2）如果方法的入参类型为Map或Model，会将隐含模型的引用传递给这些入参。 3）在方法体内，可以通过这个入参对象访问到模型中的所有数据，也可以向模型中添加新的属性数据 Spring Web MVC 提供Model、Map或ModelMap让我们能去暴露渲染视图需要的模型数据。 @SessionAttributes 除了可以通过属性名指定需要放到会话中的属性处，还可以通过模型属性的对象类型指定哪些模型属性需要放到会话中 @SessionAttributes(types=User.class
51000发布于 2020-03-18 - 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
y轴的侧向速度和绕z轴的横摆运动(ay<0.4g) ； 4) 驱动力不大，对侧偏特性无影响； 5) 忽略空气阻力； 6) 忽略左右轮胎因载荷变化引起轮胎特性的变化； 7) 忽略回正力矩的变化。 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 - 来自专栏机器学习算法与Python学习
Torch7模型训练
Torch7搭建卷积神经网络详细教程已经详细的介绍啦Module模块，这里再次基础上再给出一些上Container、 Transfer Functions Layers和 Simple Layers模块的理解 并在后面给出一些简单的模型训练方法。下述程序在itorch qtconsole下运行。 上一篇博文讲到Module主要有四个函数(详细见Torch7搭建卷积神经网络详细教程)，但是注意以下几点：forward函数的input必须和backward的函数的input一致，否则梯度更新会有问题 上述函数的具体使用方法可以看Torch7的官方API以及帮助文档。接下来仅介绍一些模型训练所需要的关键函数。 将image包导入当前运行环境，随机生成一张1通道32x32的彩色图像，如下 ?
1K130发布于 2018-04-08 - 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python3
django-7-django模型系统
<<<常用的模型字段类型>>> https://docs.djangoproject.com/en/2.1/ref/models/fields/#field-types InterField CharFiled 2.1/ref/models/fields/#field-options primary_key auto_dreated unique指定是否为唯一 auto_now <<<常用查询>>> 通过模型类上的管理器来构造 模型类上的管理器(class.objects) queryset （惰性，，没有操作数据库）表示数据库中对象的集合，等同于select 语句 query 获取mysql 语句 first()
1.2K10发布于 2020-01-17 - 来自专栏科技记者
第7章 模型评估 笔记
7.2 k折交叉验证模型性能 这个方法可以解决过度适应的问题， library(modeldata) library(e1071) data(mlc_churn) churnTrain <- mlc_churn 7.5 caret包对变量重要程度排序 得到监督学习模型后，可以改变输入值，比较给定模型输出效果的变化敏感程度来评估不同特征对模型的重要性。 ='churn'][,-c(5,6,7)], trainset[,'churn'],sizes = c(1:18), rfeControl = ldaControl) 通常会基于曲线下面积AUC来衡量模型的分类性能。 install.packages("ROCR") library(ROCR) svmfit <- svm(churn~. 7.13 caret包比较模型性能差异 # 模型重采样 cv.values <- resamples(list(glm=glm.model, svm=svm.model, rpart = rpart.model
1K20编辑于 2022-03-04 - 来自专栏黑泽君的专栏
7层OSI网络模型概述
7层OSI网络模型 7层OSI网络模型概述： 7.应用层： 主要是一些终端的应用，比如说FTP(各种文件下载)、WEB(IE浏览)、QQ之类的(可以把它理解成我们在电脑屏幕上可以看到的东西 网络参考模型图 ? 网络模型举例 ?
53420发布于 2018-10-11 - 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 - 来自专栏数据派THU
详解：7大经典回归模型
来源：csdn 深度学习爱好者本文约2900字，建议阅读5分钟本文给大家介绍机器学习建模中7大经典的回归分析模型。 什么是回归分析？ 7.如果因变量是多类的话，则称它为多元逻辑回归。 3. Polynomial Regression多项式回归 对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。 7. ElasticNet回归 ElasticNet是Lasso和Ridge回归技术的混合体。它使用L1来训练并且L2优先作为正则化矩阵。当有多个相关的特征时，ElasticNet是很有用的。 Lasso和Ridge之间的实际的优点是，它允许ElasticNet继承循环状态下Ridge的一些稳定性。 除了这7个最常用的回归技术，你也可以看看其他模型，如Bayesian、Ecological和Robust回归。 如何正确选择回归模型？ 当你只知道一个或两个技术时，生活往往很简单。
1.7K41编辑于 2023-04-18 - 来自专栏程序员吾真本
7个检验软件系统稳定性场景的混沌工程故障注入开源工具ChaosBlade
ChaosBlade可针对多达7个场景开展故障注入实验，但网上官方的中英文文档质量欠佳，内容缺失，真心没有站在一般用户的角度来写，只能通过运行blade命令的help了解究竟有什么功能。 图片 一句话介绍 ChaosBlade是阿里巴巴开源的针对7个检验软件系统稳定性场景的混沌工程故障注入开源工具：主机基础资源、CRI容器、K8S平台、Java应用、C++应用、阿里云平台、其他服务。 场景7：其他服务 可注入故障包括增加延迟和抛异常，可以针对如elastic search, hbase, http, mongodb, mysql等近30种服务注入故障。 优势 支持多达7个故障注入场景。 劣势 网上的中英文文档描述过于简略。每个功能往往就一句话。只能把工具装上，运行起来，通过help参数，逆向工程来发现有什么功能。 案例 国内有金融行业的用户，已经基于ChaosBlade开发了混沌工程工具平台，在测试环境注入故障，检验基础设施和容器平台的稳定性。
1.1K00编辑于 2023-08-12 - 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。 我经常因为某些本该24x7运作的系统宕机，而在半夜三点受到惊扰。 关于系统设计和架构的书籍往往只告诉你怎样满足功能需求，的确这类书籍对你在QA面前过关会有很大帮助。 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
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