- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-5)
管理用户界面的审计日志主要用来查看管理用户对管理平台的操作记录，同时可查看所有纳管的计算节点集群内普通用户的基本操作。
91510编辑于 2025-03-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-5 精确率和召回率的平衡
▲逻辑回归算法 逻辑回归算法的原理：通过训练模型找到一组参数θ，θ的转置与某个样本特征Xb进行点乘运算，最终的运算结果和0进行比较： 如果θT点乘Xb的值大于等于0的话，经过Sigmoid函数计算的结果
4.7K51发布于 2020-04-26 - 来自专栏完美Excel
VBA专题10-5：使用VBA操控Excel界面之隐藏取消隐藏及最小化功能区
可以重命名和隐藏内置选项卡和内置组，改变其在功能区中的顺序。然而，不能重命名和隐藏内置控件，修改内置控件的图标，修改功能区内置组中内置控件的顺序。
4.6K30发布于 2020-08-17 - 来自专栏前端知识分享
第27天：js-表单获取焦点和数组声明遍历
45 46
- 47 上证指数364110 48
49- 50 上证指数364110 51
52- 53 上证指数364110 54
55- 56 上证指数364110 57
58- 59 上证指数364110
4.9K20发布于 2018-09-11 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题10-5 递归计算Ackermenn函数
习题10-5 递归计算Ackermenn函数 本题要求实现Ackermenn函数的计算，其函数定义如下： ?
88710发布于 2020-09-15 - 来自专栏杨建荣的学习笔记
K-Means算法原理和简单测试
我们选择P1,P2为质心，即他们作为参照标准，分别和其他的员工数据进行比对，得到一个差异值，即两点之间的距离，可以使用欧式距离来得到，比如P1到P3的距离就是（10-7）（10-7）+（10-5）（10 因为最开始选择P1,P2是随机的，所以计算距离得到的模型还是不够准确，我们需要基于刚才的数据重新选择质心，这里我们可以使用每组的平均值来计算。
77120发布于 2019-06-18 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十五） —— 多重星型模式
实际生产环境每天定期装载应该共用一个调度，也即应该把清单（五）- 10-5里的脚本并入每天定期装载脚本中，并且针对使用cdc_time表做相应的修改。 -5 Kettle定期装载工厂维度表和产品事实表如图（五）- 10-5到图（五）- 10-22所示。 图（五）- 10-5 图（五）- 10-6 图（五）- 10-7 图（五）- 10-8 图（五）- 10-9 图（五）- 10-10 图（五）- 10-11 运行完清单（五）- 10-5里的脚本以后，需要把系统日期设置成任意晚于上一篇“杂项维度”设置的日期。这里设置系统日期为2015年3月18日。 先把系统日期设置为2015年3月19日，然后执行清单（五）- 10-5里的脚本或对应的Kettle定期装载作业。
71420编辑于 2022-12-02 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-10. 降维(Dimensionality Reduction)
在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比
1.1K80发布于 2018-03-13 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比
1.2K100发布于 2018-04-04 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图10-4 辅助虚拟机运行截图 当ESXi主机内存是4GB、5GB时，尝试启动容错虚拟机，则会弹出”父资源池中可用内存资源不足”的提示，如图10-5所示。 图10-5 父资源池中可用内存资源不足 11 其他 vSphere Web Client控制台中，各个窗口可以向四个方向拖动，如图11-1所示。 图11-1 拖动窗口 图11-2 拖动到指定位置
1.5K40编辑于 2021-12-23 - 来自专栏机器之心
学界 | 深度学习在单图像超分辨率上的应用：SRCNN、Perceptual loss、SRResNet
图 1：从左到右依次是真值 HR 图像、相应的 LR 图像和一个训练用来最小化 MSE 损失的模型的预测。 首先，让我们先了解一个评估和对比模型的量化质量检测方法。 我们在三个模型中的两个上使用了该方法。在我们的实验中，我们训练模型把输入图像的分辨率提升四倍（就宽度和高度而言）。在这一因素之上，哪怕提升小图像的分辨率也变的很困难。 它对超参数的变化非常敏感，论文中展示的设置（前两层的学习率为 10-4，最后两层的学习率为 10-5，使用 SGD 优化器）导致 PyTorch 实现输出次优结果。 最后我们发现，使性能出现大幅提升的是设置是：每层的学习率为 10-5，使用 Adam 优化器。 我们构建的模型使用 Neptune 来部署，模型地址：http://104.155.157.132:3000/。 ?
3.7K60发布于 2018-05-10 - 来自专栏LeetCode解题
1619. 删除某些元素后的数组均值
与 标准答案 误差在 10-5 的结果都被视为正确结果。
5.3K20发布于 2021-02-26 - 来自专栏数据分析与挖掘
pycaret之集成模型（集成模型、混合模型、堆叠模型）
1、集成模型 组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。 此函数可用于混合可以使用blend_models中的estimator_list参数传递的特定训练模型，或者如果未传递列表，它将使用模型库中的所有模型。 3、堆叠模型 堆叠模型是使用元学习的整合方法。堆叠背后的想法是建立一个元模型，该模型使用多个基本估计量的预测来生成最终预测。在PyCaret中堆叠模型就像编写stack_models一样简单。 此函数使用estimator_list参数获取训练模型的列表。所有这些模型构成了堆栈的基础层，它们的预测用作元模型的输入，可以使用meta_model参数传递该元模型。 restack参数控制将原始数据公开给元模型的能力。默认情况下，它设置为True。当更改为False时，元模型将仅使用基本模型的预测来生成最终预测。
3.6K10发布于 2020-10-27 - 来自专栏null的专栏
[置顶] 《Python机器学习算法》勘误
112∑i=1n∑j=1n 46 （整页的四处）[1−σ(y^y)][1−σ(y^y)] [σ(y^y)−1][σ(y^y)−1] 48 （文本的第三行）度 超参数 48 （程序清单3-2：第4行）FM模型的度 FM模型的超参数 49 （文本的第二行）模型的度 模型的超参数 50 （程序清单3-5：第8行）labelTrain, 3, 5000, 0.01 labelTrain, 3, 10000, 0.01 data[i][-1]) data_tmp.append(data[index[i]][-1]) 133 （程序清单6-14：第13、17行）dataTest data 141 （7.3中第3行）然后把二次模型 skyTkyTksk)THk(I−yksTkyTksk)+sksTkyTkskHk+1=(I−skykTykTsk)THk(I−ykskTykTsk)+skskTykTskH_{k+1}= 198 （程序清单10
81050发布于 2018-03-19 - 来自专栏量子位
2018中国十大科技进展公布！两院院士投票，港珠澳大桥和天河三号上榜
利用该技术，科研团队未来可在一年时间内，培育出大批基因编辑和遗传背景相同的模型猴。 以往G值测量的相对精度虽然接近10-5，相互之间的吻合程度仅达到10-4水平。因为精度问题，很多与之相关的基础科学难题至今无法解决。 此次罗俊团队采用两种不同方法，用扭秤周期法和扭秤角加速度反馈法测G，精度均达到国际最好水平，吻合程度接近10-5水平。
69220发布于 2019-04-24 - 来自专栏全栈程序员必看
–AR模型,MA模型,ARMA模型介绍
AR模型的定义 ————— AR模型平稳性判别 AR模型是常用的平稳序列的拟合模型之一，但并非所有的AR模型都是平稳的 。 第一个平稳的AR模型 这个AR模型的递推式子是x[t]=0.8*x[t-1]+e，其实e是一个误差项。 AR模型的一些性质 若AR模型满足平稳性条件，则他的均值为0，我们可以从上面的图中看出 AR模型的自相关系数是呈复指数衰减– 有拖尾性 AR模型的偏自相关系数有截尾性 注意第二,第三条很重要，后面可以用来做模型的识别 我在强调一遍 AR模型的自相关系数是呈复指数衰减– 有拖尾性 * AR模型的偏自相关系数有截尾性* MA模型 MA模型的定义 MA模型的可逆性 这个性质在推到MA模型的相关系数和自相关系数的时候比较有用 看一下可逆的定义 接下来看一下MA模型怎么转换成AR模型 最后我们看一下什么样的MA模型可以转化为AR模型 可逆MA模型的应用 对于一些MA模型，虽然其生成的式子不一样，但是其自相关图是一样的
2.7K20编辑于 2022-09-20 - 来自专栏python3
Python三维绘图--Matplotl
Axes3D #定义坐标轴 fig4 = plt.figure() ax4 = plt.axes(projection='3d') #生成三维数据 xx = np.random.random(20)*10 -5 #取100个随机数，范围在5~5之间 yy = np.random.random(20)*10-5 X, Y = np.meshgrid(xx, yy) Z = np.sin(np.sqrt(
3.1K40发布于 2020-01-08 - 来自专栏学习
【软件测试】敏捷模型（Scrum模型）和V模型、W模型
敏捷模型 前面的那些模型以前非常流行，但现在开发人员在使用的时候会遇到各种问题。主要困难包括在项目开发期间处理来自客户的变更请求，以及合并这些变更所需要的高成本和时间。 在实际工作中，一款产品的功能是不断在变化的 所以为了克服这些缺点，就提出了敏捷软件开发模型。在敏捷模型中，需求被分解成许多可以增量开发的小部分。敏捷模型采用迭代开发。每个增量部分都是在迭代中开发的。 敏捷模型主要旨在帮助项目快速适应变更请求。 V 模型 V 模型中，明确的标注了测试过程中存在的不同类型的测试 右边的测试，都需要参考左边对应高度的要求 缺点： 仅仅把测试作为在编码之后的一个阶段，未在需求阶段就介入测试。 缺点和瀑布模型一样 W 模型（双 V 模型） V 模型中未将测试前置的问题在 W 模型中得以解决 开发 V 模型并不是单单指编码阶段，而是为产品开发流程而实施的各个阶段 测试的对象不仅是程序，需求、
3.1K10编辑于 2024-11-15 - 来自专栏数据分析与挖掘
pycaret之训练模型（创建模型、比较模型、微调模型）
1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。 2、创建模型 在任何模块中创建模型就像编写create_model一样简单。它仅采用一个参数，即型号ID作为字符串。 尽管有一个单独的函数可以对训练后的模型进行集成，但是在通过create_model函数中的ensemble参数和方法参数创建时，有一种快速的方法可以对模型进行集成。 3、微调模型 在任何模块中调整机器学习模型的超参数就像编写tune_model一样简单。它使用带有完全可定制的预定义网格的随机网格搜索来调整作为估计量传递的模型的超参数。 对于有监督的学习，此函数将返回一个表，该表包含k倍的通用评估指标的交叉验证分数以及训练有素的模型对象。对于无监督学习，此函数仅返回经过训练的模型对象。
2.8K10发布于 2020-10-27 - 来自专栏HUC思梦的java专栏
瀑布模型&螺旋模型
软件开发模型： 1.瀑布模型 1）软件概念阶段 用户需求 2）需求分析 软件需求 3）架构设计 架构文档 4）详细设计 模型设计 5）编码阶段 代码文档 6）测试阶段 瀑布模型的特点是在每个阶段的工作都清晰详尽 瀑布模型还有一个缺点是项目编码处在后半程，因此客户需要等待很长时间才能体验到产品，故此需要在早期就为用户提供一个体验的样本，这个样本就是产品原型。 瀑布模型非常适合使用在需求清晰且不易改变的情况。 除此之外，遇到一个需求非常清晰的客户是使用瀑布模型的一个重要前提。 2.螺旋模型 ? 螺旋模型兼顾了快速成型的迭代特征以及瀑布模型的系统化与严格监控。 螺旋模型最大的特点在于引入了其他模型不具备的风险分析，使软件在无法排除重大风险时有机会停止，以减小损失。 螺旋模型的特点是每阶段只完成特定部分的功能，循环渐进式的开发。 螺旋模型非常适合使用在客户需求经常发生变化或者客户需求不明确的情况。
1.7K20发布于 2020-09-03
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