回答情况：
提问时间：
问题标签：
我正在使用sklearn的DictVectorizer来构造一个大型的稀疏特征矩阵，该矩阵被输入到ElasticNet模型中。当预测器(特征矩阵中的列)居中和缩放时，弹性网络(和类似的线性模型)工作得最好。的目的是构建一个在回归器之前使用StandardScaler的Pipeline，但是这并不适用于稀疏特性，如中所述。我想在normalize=True中使用ElasticNet标记，它似乎支持稀疏数据，但是还不清楚在对测试数据的预测过程中是否也应用了规范化。有没有人知道normaliz
浏览 2修改于2017-05-23得票数 1
回答已采纳
在这里，他用稀疏的正则化来减少联系，但稀疏性的公式与正则化的公式不同。所以，我想知道为什么我们不直接使用正则化术语，如模型NNs或logistic回归：(1/2 * m) * Theta^2？
浏览 3提问于2016-09-24得票数 0
我们从50%的稀疏水平开始，逐步训练达到90%的稀疏度。X%稀疏意味着，重量张量的X%将被剪除。
target_sparsity=0.0, begin_step=0, )
初始化具有恒定稀疏性的剪枝计划稀疏性应用于区间begin_step、
浏览 3修改于2020-01-31得票数 6
有些模型，如稀疏自动编码器，需要激活正则化，但我找不到一个API来规范层的激活。
有什么方法可以添加自定义的正则化器吗？还是层激活tf.trainablevariables？
浏览 2提问于2017-09-14得票数 0
回答已采纳
两个实验都使用相同的模型和训练数据集。由于我有30个迭代，3+ (我一直在尝试不同的架构复杂性)层在每个迭代中，我知道会有大量的参数和层。训练数据由3600 512*512稀疏视点CT图像组成，测试数据包括360张稀疏视点CT图像。
批次大小为1，epoch =
浏览 6修改于2019-11-10得票数 3
我在一个大文件(500000行)上使用混合模型。由于范畴变量具有多个唯一的层次，因此固定效果矩阵是非常稀疏的(稀疏性~0.9)。我的线性回归也有同样的问题。我的稠密矩阵是20GB，但是当我把它转换成稀疏矩阵时，它变成了35 MB。因此，我拒绝使用lm函数，而是使用另外两个函数：
MatrixModels:::lm.fit.sparse
浏览 0修改于2020-11-03得票数 3
回答已采纳
我正在使用渐近来构建一个稀疏(N^2 x N^2)矩阵，并尝试将其转换为稀疏scipy矩阵。它被用于求解二维网格上依赖于k向量k= (kx，ky)的Schrödinger方程的有限差分方法。SciPy的稠密矩阵 我目前的方法是使用lambdify从渐近矩阵A创建函数B，该矩阵为某个k向量提供有限差分矩阵，我将其转换为稀疏矩阵M。稀疏Sympy矩阵的模型化 或者，我想直接为lambdify提供一个稀疏矩阵，但我不知道是哪种类型的稀疏矩阵出现…… B =
浏览 52提问于2020-06-23得票数 0
以下是我正在做的事情 git clone --depth 1 --filter=blob:none --sparse https:<repo_path>第二个稀疏签出是基于上面的$VAR的。git sparse-checkout set models/"$VAR-model"
在执行上面的第二次稀疏签出时
浏览 9提问于2022-03-17得票数 0
回答已采纳
如何为决策树的稀疏特性预处理数据？它提到这一点：
为什么选择决策树？不同的型号有不同的优点。决策树模型非常擅长处理具有数值特征的表格数据，或少于数百个类别的分类特征。与线性模型不同，决策树能够捕捉特征与目标之间的非线性交互.一个重要的注意事项是，基于树的模型的设计并不是为了处理非常稀疏的特性。当处理稀疏输入数据(例如大维分类特征)时，我们可以对稀疏特征进行预处理以生成数值统计数据，也可以切换到更适合这种情况的线性模型。如果
浏览 0提问于2019-03-07得票数 2
让我们假设我有一个有噪声的2d数据集，其中一个观察数据的人可以很容易地在数据中画一条直线，从而使均方误差最小化。该线的模型采用y = mx + b形式，其中x为输入值，y为模型的预测值，m和b为训练变量，以使成本最小化。我的问题是，如果我们将一些输入x1插入到模型中，它总是输出相同的数字，而不考虑数据有多稀疏。像这样的模型如何从相同的输入中预测不同的值？也许可以这样做，将所有的错误从模型行到点，对它们进行分布，获取这种分布的期望值，然后将该值添加到y中
浏览 6修改于2017-04-01得票数 0
回答已采纳
在稀疏矩阵上执行特征缩放和平均归一化是个好主意吗？我有一个70%稀疏的矩阵。通常，特征缩放和平均归一化提高了算法的性能，但在稀疏矩阵的情况下，它增加了大量的非零项。
浏览 4提问于2014-02-19得票数 2
回答已采纳
2回答
我很难理解为什么我会使用辍学，正则化，数据增强，等等，以摆脱过度拟合在第一。我知道，如果您的模型太大或者数据太稀疏，那么您的模型可能会开始记忆数据，并且在新数据上表现不佳。但是，在哪些情况下，添加退出、正则化等会提高验证集的准确性？例如，如果我的训练acc为95%，val的准确率为70%，那么排除过度是否只会使训练精度降低到val的准确度？
浏览 0提问于2019-05-17得票数 1
回答已采纳
我希望能够像x一样在caret::train中使用稀疏矩阵，看起来他们中的许多人都希望有一个数据框架。我已经能够在XGboost和caret中使用稀疏矩阵，但是nnet和ELM似乎都需要一个数据框架。我在代码中注意到，插入符号试图将x转换为nnet和ELM模型的数据框架。
是否有支持稀疏矩阵的模型列表？
浏览 2修改于2016-08-15得票数 9
回答已采纳
我见过“稀疏”和“稀疏”的使用方式，表明它可以提高模型的准确性。例如：
在这种情况下，“稀疏”是什么意思？
浏览 2修改于2016-12-26得票数 15
回答已采纳
我使用TensorFlow Federated来模拟一个场景，在这个场景中，托管在远程服务器上的客户端可以在联邦设置中处理非常稀疏的数据集。目前，该代码能够在服务器端加载非常稀疏的数据集的一个小子集的情况下运行，并将其传递给驻留在另一个设备上的远程工作人员。当前的解决方案包括将非常稀疏的数据转换为密集数组，然后通过tf.data.Dataset.from_tensor_slices函数将其设置为与keras模型一起使用(以下是现有的tff示例)。这可以工作，但占用大量内存资源，不适合于dataset，因为由于稀疏<
浏览 27提问于2022-01-14得票数 1
我的列车交互稀疏矩阵具有形状：<39326x2569型稀疏矩阵，类型为<class‘numpy.Float 64’>，压缩稀疏行format>中有758931个存储元素，我的测试交互稀疏矩阵有“<class‘numpy.Float 64’>”类型的shape:<39323x2569稀疏矩阵和压缩稀疏行format>中存储的194622个元素.我训练模型: model1 = LightFM(learning_rate=0.0
浏览 2提问于2020-12-14得票数 0
回答已采纳
我有大量但稀疏的训练数据。我想在ExtraTreeClassifier中使用它。考虑到计算时间，我不确定是否需要使用稀疏csr_matrix或原始数据。哪个版本的数据使用该分类器运行得更快，我们是否可以将其答案推广到所有具有稀疏功能的模型？
浏览 0提问于2015-05-28得票数 2
数学上，我的模型被表示为移动平均( MA )系统：y[k] = a_1*x[k] + a_2*x[k-1] + a_{10}*x[k-9] + n[k]，其中n ~ N(0,\sigma^2)是加性高斯噪声,a_10是已知稀疏的MA模型的系数。但是，我不知道稀疏系数的位置。
在该模型中，只有3个系数为非零系数，其余系数均为零或接近于零。参数估计的一种方法是构造一个逆滤波器，也就是最小的预测误差。通过反滤波方法，我可以为MA模型创建一个反滤波器，该模型由：u[k] = x
浏览 0修改于2018-02-17得票数 3
回答已采纳
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