- 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与算法之美
9，模型的评估
模块中的交叉验证相关方法可以评估模型的泛化能力，能够有效避免过度拟合。 二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 模型对某种类别的分类效果： precision 精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。 recall 召回率，也叫查全率。模型识别出全部正样本的能力。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ? 留出法 为了解决过拟合问题，常见的方法将数据分为训练集和测试集，用训练集去训练模型的参数，用测试集去测试训练后模型的表现。
97131发布于 2020-07-17 - 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 - 来自专栏裸机思维
【喂到嘴边了的模块】LVGL9发布稳定性更新
【说在前面的话】 LVGL在2月份发布LVGL9后，于3月19日发布了第一个维护更新，即v9.1.0版，而LVGL8也迎来了更为稳定的强化版本v8.4.0。 从吃螃蟹的角度来说，此时入手LVGL9风险较小，是一个不错的选择。 相对LVGL8，LVGL9在设计理念上做了不小的调整： 从“追求小巧为主性能为辅”改为“追求图形性能为主、降低资源消耗为辅”——以此与“资源日趋丰富”的MCU发展趋势相适应。 而LVGL9则提供了全新的 LVGL Intrinsics 机制——通过这些宏，可以简单、定向的为指定的2D操作提供加速。 这是因为LVGL9默认情况下并未开启对性能的统计，而屏幕上方“ LV_USE_PERF_MONITOR is not enabled ”的提示也印证了这一点。
8.4K22编辑于 2024-04-10 - 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 - 来自专栏又见苍岚
DE-9IM 空间关系模型
DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，直接翻译为 维度扩展的 9 个相交模型，本文记录相关内容。 简介 DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，DE-9IM 模型是用于描述两个 二维几何对象（点、线、面） 之间的空间关系的一种模型 维度扩展九交模型（DE-9IM）是一种拓扑模型和标准，用于描述两个区域（二维中的两个几何图形，R2）的空间关系，在几何学、点集拓扑、地理空间拓扑、以及与计算机空间分析相关的领域。 空间关系 模型主要要描述的就是二维平面下的两个几何对象之间的空间关系。 DE-9IM 模型 DE-9IM 模型把几何对象分为 内部、边界、外部 三个部分，两个几何对象这三个部分两两之间的关系，就可以组合为一个3X3大小（就是 9 个值）的矩阵，这9个值的组合，就表示两个几何对象的空间关系
92910编辑于 2024-07-04 - 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 TTL光模块1×9封装：工控领域稳定性的经典之选
工控即工业自动化控制，目前，我国工控行业正进入一个快速发展阶段，得益于工业自动化、智能制造等关键领域的迅猛发展，以及工业互联网、物联网、云计算、人工智能等新一代新兴技术的有力驱动，而1*9工业级TTL光模块在工控领域得到了广泛应用 5、封装形式：采用常见的封装形式1×9封装，这种封装形式光模块直接固化在通讯设备的电路板上，作为固定的光模块使用。
26610编辑于 2025-08-12- 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 - 来自专栏生信技能树
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
63120发布于 2021-10-12 - 来自专栏深度学习和计算机视觉
加速 PyTorch 模型训练的 9 个技巧
[1_CER3v8cok2UOBNsmnBrzPQ](9 Tips For Training Lightning-Fast Neural Networks In Pytorch.assets/1_CER3v8cok2UOBNsmnBrzPQ.gif 将模型的不同部分放在不同的GPU上，batch按顺序移动 有时你的模型可能太大不能完全放到内存中。 9. 多节点GPU训练 每台机器上的每个GPU都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。 在.backward()上，所有副本都接收到所有模型的梯度副本。这是模型之间唯一一次的通信。 英文原文：https://towardsdatascience.com/9-tips-for-training-lightning-fast-neural-networks-in-pytorch-8e63a502f565
1.2K20编辑于 2022-02-09 - 来自专栏单细胞天地
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
94310发布于 2021-10-09 - 来自专栏Ywrby
9-线程概念与多线程模型
因此内核级线程的切换必须在核心态下执行 注意 操作系统只能“看见”内核级线程，因此只有内核级线程才是处理机分配的单位 以下方的多对多模型为例，其由三个用户级线程映射到两个内核级线程上，在用户看来，进程中同时有三个线程并发执行 ，但在操作系统看来，只有两个内核级线程，所以哪怕是在4核处理机的计算机上运行，该进程也最多只能被分配到两个核心，最所只有两个用户进程并行执行 多线程模型 多对一模型 一对一模型 多对多模型
37610编辑于 2022-10-27 winform部署yolov9的onnx模型
C# WinForms 部署 YOLOv9 ONNX 模型简介 在当今的计算机视觉领域，目标检测是不可或缺的一项技术。 ONNX是一个开放的模型表示，使得不同深度学习框架之间可以相互转换和共享模型。这使得YOLOv9模型可以在C#环境中得到高效利用。 用户可以通过界面上传图像，应用程序则利用YOLOv9模型进行目标检测，并在图像上标注出目标物体的位置和类别。 通过C# WinForms部署YOLOv9的ONNX模型，我们可以为用户提供一个功能强大的目标检测工具。 性能逆天~，YOLOv9杀疯了！最新的实时目标检测模型！代码已开源！，一款小工具，让你直连谷歌翻译！
46710编辑于 2025-07-20- 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 使用python部署yolov9的onnx模型
【框架地址】 https://github.com/WongKinYiu/yolov9 【yolov9简介】 在目标检测领域，YOLOv9 实现了一代更比一代强，利用新架构和方法让传统卷积在参数利用率方面胜过了深度卷积 自 2015 年 Joseph Redmon、Ali Farhadi 等人提出初代模型以来，领域内的研究者们已经对 YOLO 进行了多次更新迭代，模型性能越来越强大。 ，从而使得模型的预测结果能够最接近真实情况。 该架构证实了 PGI 可以在轻量级模型上取得优异的结果。 研究者在基于 MS COCO 数据集的目标检测任务上验证所提出的 GELAN 和 PGI。 对于 PGI 而言，它的适用性很强，可用于从轻型到大型的各种模型。我们可以用它来获取完整的信息，从而使从头开始训练的模型能够比使用大型数据集预训练的 SOTA 模型获得更好的结果。
27700编辑于 2025-07-20- 来自专栏机器人课程与技术
mobot模型-ROS2Gazebo9附2
mobot.gazebo <?xml version="1.0"?> <robot> <gazebo> <plu
54231发布于 2020-02-19 - 来自专栏数据科学与人工智能
数据挖掘模型的9条经验总结
第八，价值律：数据挖掘的结果的价值不取决于模型的稳定性或预测的准确性。 准确性和稳定性是预测模型常用的两个度量。 准确性是指正确的预测结果所占的比例；稳定性是指当创建模型的数据改变时，用于同一口径的预测数据，其预测结果变 化有多大（或多小）。 鉴于数据挖掘中预测概念的核心角色，一个预测模型的准确性和稳定性常被认为决定了其结果的价值的大小，实际上并非如此。 如果不适合业务问题，高准确度并不能提高模型 的价值。 模型稳定性同样如此，虽然稳定性是预测模型的有趣的度量，稳定性不能代替模型提供业务理解的能力或解决业务问题，其它技术手段也是如此。 总之，预测模型的价值不是由技术指标决定的。数据挖掘者应该在模型不损害业务理解和适应业务问题的情况下关注预测准确度、模型稳定性以及其它的技术度量。 第九，变化律：所有的模式因业务变化而变化。
78860发布于 2018-02-26 - 来自专栏数据科学（冷冻工厂）
提高CV模型训练性能的9个技巧
长话短说： 训练模型尺寸：小 保存权重并在更大的图像尺寸上重新训练模型 再次保存权重并重新训练最终图像大小 这个过程将会获得更快的收敛和更好的性能。 6. 学习率 在模型训练期间更改 learning_rate： 慢的 lr 需要太长的时间，而快的 lr 可能无法帮助你的模型收敛，使用这个逻辑，我们应该使用动态学习率。 热身 从论文 Bag of Tricks[9]中，使用 LR 预热是亮点之一： 当你开始训练一个模型时，它具有更多的“随机性”，因为它刚刚开始学习特征，因此首先从较小的 learning_rate 开始允许它选择细节 9. 图像增强 NNs 受益于更多数据。图像中的微小变化确实可以帮助模型提高对图像内部特征的理解。使用正确的图像增强可以真正帮助您的模型。 how-to-modify-a-conv2d-to-depthwise-separable-convolution/15843/4 [8] 学习率: https://forums.fast.ai/t/fine-tune-vs-fit-one-cycle/66029 [9]
72320编辑于 2023-02-27 - 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。 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。 现在，在10次折叠中，9次折叠会被用作你的训练数据并在10次折叠 测试你的模型。迭代这个过程，直到每次折叠都成为您的测试。计算你在所有折叠上选择的度规的平均值。 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
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