- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 11-4 scikit-learn中的SVM
在实例化LinearSVC类的时候传入上一个小节介绍的超参数C，当： 超参数C越大容错空间越小，模型越接近Hard Margin SVM； 超参数C越小容错空间越大，模型越接近Soft Margin SVM 对比超参数C为1e9和0.01时候的决策边界，会发现当超参数C为0.01时候的决策边界中有一个蓝色类别的样本点被错误分类，这同样符合前面对超参数C的描述，超参数C越小代表模型的容错空间越大，此时的模型越接近 对于SVM模型来说同样可以获取训练后求得的决策边界相应的系数coef_和截距intercept_。 ? 接下来试试超参数C为0.01时候的svc2，由于超参数C的值设置的非常小，因此模型有很大的容错空间。 ? ? 此时的margin距离的区域中存在很多样本点，这就是因为超参数C设置的非常小，模型容错空间比较大。 ?
1.9K20发布于 2020-07-08 - 来自专栏华章科技
马太效应和幂律分布是怎么回事？终于有人讲明白了
导读：描述“富者愈富，穷者愈穷”的马太效应，以及经济学中的帕累托法则，其背后的数学模型是什么？在统计学中，它们可以被抽象成幂律分布。 作者：帕诺斯·卢里达斯（Panos Louridas） ? 在图11-4中，我们绘制了表11-1中的数据。注意，分布只是为整数值定义的。我们增加了一条差值线来显示总体趋势。另外注意，理论概率和经验概率并不是完全重叠。 这是我们将一个数学模型应用到现实世界时必须要面对的情况。 ? ▲图11-4 布朗语料库中最常见的20个单词的Zipf分布 当我们发现一个快速下降的趋势时，如图11-4中的趋势，就有必要检查一下，如果我们将熟悉的x和y坐标轴替换为对数坐标轴会发生什么。 在对数坐标轴中，我们将所有值转换为它们的对数后绘制出来，图11-5给出了与图11-4等价的对数坐标图：对每个y我们使用log y，对每个x，我们使用log x。 ?
2K11发布于 2020-08-07 - 来自专栏CSDNToQQCode
软考中级(软件设计师)——数据流图(DFD图下午第一题15分)(必拿题)
信用 卡客户可以通过CCMS查询并核实其交易信息(包括信用卡交易记录及交易额)●图11-3和图11-4分别给出了该系统的顶层数据流图和0层数据流图的初稿。 11-3 11-4 [问题1] (3分) 根据[说明]， 将图11- 3中的E1 ~ E3填充完整。 (注 :数据流的起点和终点均采用图中的符号和描述) [问题3] (5分) 图11-4中有两条数据流是错误的，请指出这两条数据流的名称,并改正。 (注:数据流的起点和终点均采用图中的符号和描述) [问题4] (4分) 根据[说明]， 将图11-4中P1 ~ P4的处理名称填充完整。 题目解析： 1.信用卡申请。
4.4K21编辑于 2022-11-30 - 来自专栏愿天堂没有BUG（公众号同名）
如果你精通java虚拟机：新生代垃圾回收YoungGC之后，薪资不止20K
对象复制负责将队列中的所有存活对象复制到Survivor Region或者晋升到Old Region，如代码清单11-4所示： 代码清单11-4 对象复制 template <class T> void
68320编辑于 2022-10-31 - 来自专栏华章科技
所到之处，寸草不生！深扒黑产工具和羊毛党操作流程
5）打码平台：这里的打码平台指利用猫池或工具自动发送和接收短信验证码并可以自动填写验证码，而一些难以识别的验证码，可以通过图形识别甚至由后台人工识别后填写，也叫“云”打码平台，如图11-4所示。 ? ▲图11-4 打码平台 6）手机模拟器、刷机软件：手机模拟器的产生本身是为了方便开发人员在没有手机的情况下，使用模拟器对程序进行开发和调试，但黑产也注意到模拟器可以模拟手机进行操作，有时候可以省下手机成本
4.2K21发布于 2020-07-29 - 来自专栏医学和生信笔记
R语言正交设计方差分析（代码+数据）
本篇以雌螺产卵最优条件研究为例（4因素2水平，8次实验替代原本的16次），演示了如何用aov()在正交设计数据上拟合包含主效应和指定交互项的方差分析模型。 使用孙振球《医学统计学》第4版例11-4的数据。 研究雌螺产卵的最优条件，在20cm²的泥盒里饲养同龄雌螺10只，试验条件有4个因素，每个因素2个水平。
22410编辑于 2026-04-09 - 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 - 来自专栏全栈程序员必看
动态规划之最长回文子串
可能会有读者想把这个问题转换为最长公共子序列(LCS) 问题来求解:把字符串S倒过来变成字符串T,然后对S和T进行LCS模型求解，得到的结果就是需要的答案。 如图11-4所示，先固定i=0,然后枚举j从2开始。
67350编辑于 2022-08-10 - 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 - 来自专栏程序猿DD
宜家如何利用低代码平台提升员工效率，提高数据价值
Kitchen App 这是Power Apps模型驱动的应用，利用了Dynamics 365现场服务功能。 应用示例如图11-4及图11-5所示。 图11-4 用于管理客户会议的Co-Worker App 3.B2B App 这是一个由Power Apps模型驱动的应用，它利用了Dynamics 365销售功能，管理B2B销售渠道，可以为宜家的B2B 模型驱动应用孵化于Dynamics 365，具有高度组件化、定制化的特点，可以根据用户业务需要定义每个模块的功能。 整个数据获取所涉及的问题就都找到了实现的方向，业务人员就可以将精力放在如何合理地构建数据模型并实现相应的业务逻辑上。
1.9K20发布于 2021-09-03 - 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 - 来自专栏全栈程序员必看
GloVe模型_nerlove模型
文章目录 系列目录（系列更新中） 1.概述 2.统计共现矩阵 3.使用GloVe模型训练词向量 3.1.模型公式 3.2.模型怎么来的 3.3.Glove和skip-gram、CBOW模型对比 4. Sampling） 第三讲 cs224n系列之skip-pram优化 & Global Vector by Manning & 词向量评价 理解GloVe模型（+总结） 1.概述 模型目标 3.使用GloVe模型训练词向量 3.1.模型公式 先看模型，代价函数长这个样子： J = ∑ i , j N f ( X i , j ) ( v i T v j + b i + b j − l o 可以看到，GloVe模型没有使用神经网络的方法。 3.2.模型怎么来的 那么作者为什么这么构造模型呢？ 融入全局的先验统计信息，可以加快模型的训练速度，又可以控制词的相对权重。
76110编辑于 2022-09-29 - 来自专栏Backup@zzk
生成模型&判别模型
#生成模型 #判别模型机器学习中的判别式模型和生成式模型目录：基本概念用例子说明概念判别式模型和生成式模型的区别二者所包含的算法在机器学习中，对于有监督学习可以将其分为两类模型：判别式模型和生成式模型。 1.2 生成式模型这么做一般会对每一个类建立一个模型，有多少个类别，就建立多少个模型。 生成式模型： 是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率是多少，再放到绵羊模型中看概率是多少，哪个大就是哪个。 但是，生成式模型的概率分布可以有其他应用，就是说生成式模型更一般更普适。不过判别式模型更直接，更简单。两种方法目前交叉较多。由生成式模型可以得到判别式模型，但由判别式模型得不到生成式模型。3. 判别式模型和生成式模型的区别3.1 判别式模型和生成式模型的对比图图片上图左边为判别式模型而右边为生成式模型，可以很清晰地看到差别，判别式模型是在寻找一个决策边界，通过该边界来将样本划分到对应类别。
1.1K00编辑于 2023-08-17 - 来自专栏Java架构师必看
星星模型&&雪花模型
在多维分析的商业智能解决方案中，根据事实表和维度表的关系，可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。 星型模型 当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型。 ? 雪花模型 当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。 雪花模型和星星模型的区别： 星型模型因为数据的冗余所以很多统计查询不需要做外部的连接，因此一般情况下效率比雪花型模型要高。星型结构不用考虑很多正规化的因素，设计与实现都比较简单。 在雪花模型中，数据模型的业务层级是由一个不同维度表主键-外键的关系来代表的。而在星形模型中，所有必要的维度表在事实表中都只拥有外键。 3）性能 第三个区别在于性能的不同。
1.1K31发布于 2021-08-10 - 来自专栏数据万花筒
模型分类之生成模型与鉴别模型
一、生成模型与判别模型概述 生成模型是通过联合概率分布来求条件概率分布，而判别模型是通过数据直接求出条件概率分布，换句话说也就是，生成模型学习了所有数据的特点，判别模型则只是找出分界。 ? 二、生成模型与鉴别模型详细介绍 ? ? 三、生成模型与判别模型的优缺点 概率图分为有向图（bayesian network）与无向图（markov random filed）。 在概率图上可以建立生成模型或判别模型。有向图多为生成模型，无向图多为判别模型。 生成模型（Generative Model），又叫产生式模型。 所以生成模型和判别模型的主要区别在于：添加了先验概率 即：生成模型：p(class, context)=p(class|context)*p(context) 判别模型：p(class|context) ； （5）判别模型的性能比生成模型要简单，比较容易学习。
2.2K20发布于 2020-12-30 光照模型：Gouraud模型
它不是一个新的光照模型（不改变 Phong/Blinn-Phong 的公式），这两种光照模型的不同就是在不同的阶段计算光照。 （高光消失）、高光漂移、大片三角形上光照显得不真实主要是性能成本；若法线质量差会暴露法线问题但不属于插值缺陷 适用场景 移动端/低端硬件、物体很多、以漫反射为主、网格较密的模型 高质量渲染、强高光材质（金属/塑料/车漆等）、网格较粗也要细节的情况 与光照模型关系 可搭配 Lambert/Phong/Blinn-Phong；只是“在哪算”
15300编辑于 2026-02-10- 来自专栏全栈程序员必看
Jmm模型_fgls模型
一、什么是JMM模型 Java内存模型(即Java Memory Model，简称JMM)本身是一种抽象的概念，是一种规范，并不真实存在，它描述的是一组规则或规范，通过这组规范定义了程序中各个变量（包括实例字段 由于JVM运行程序的实体是线程，而每个线程创建时JVM都会为其创建一个工作内存(有些地方称为栈空间)，用于存储线程私有的数据，而Java内存模型中规定所有变量都存储在主内存，主内存是共享内存区域，所有线程都可以访问 模型如下图： 如果线程想要通信的话要执行一下步骤： A线程先把本地内存的值写入主内存 B线程从主内存中去读取出A线程写的值 二、JMM模型的作用 由于Java是跨平台语言，在不同操作系统中内存都有一定的差异性 上面所说的步骤其实就是实现了线程之间的通信，但是不要以为线程之间的通信就是这么简单的，其实在Java中JMM内存模型定义了八种操作来实现同步的细节。 同时在Java内存模型中明确规定了要执行这些操作需要满足以下规则： 不允许read和load、store和write的操作单独出现。
56340编辑于 2022-10-04 - 来自专栏全栈程序员必看
JMM模型_kmv模型
1.JMM介绍: java memory model,java内存模型 2.JMM内存模型的组成: 主内存(共享内存): * heap堆: 存放所有对象的实例;堆不存放对象引用和基本数据类型,只存放对象实例本身 : 每个线程都有一个程序计数器,代表当前线程的字节码行号指示器,比如cpu切换时需要用程序计数器来完成 * Java Virtual Machine Stacks(虚拟机栈): java方法执行的内存模型 )都会从主内存(方法区,堆)中保存一份它所需要用到的变量的副本,当它对变量操作完毕后,就会将修改后的数据更新到主内存中(存在并发问题) * 消息传递: wait()/notify() 4.Java内存模型与硬件内存架构的关系
42310编辑于 2022-10-04
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