精华内容
下载资源
问答
  • 下面我对以上几个名词进行详细的解释下,相信能给大家带来一定的帮助!! 一、SSE(和方差) 该统计 参数计算的是拟合 数据和原始数据对应点的误差的平方和,计算公式如下 SSE越接近于0,说明 模型选择和拟合更好,...

    参考链接:http://blog.sina.com.cn/s/blog_57a1cae80101bh65.html

    均方误差  (Mean Squared Error)均方误差

      MSE是网络的性能函数,网络的均方误差,叫"Mean Square Error"。比如有n对输入输出数据,每对为[Pi,Ti],i=1,2,...,n.网络通过训练后有网络输出,记为Yi。   在相同测量条件下进行的测量称为等精度测量,例如在同样的条件下,用同一个游标卡尺测量铜棒的直径若干次,这就是等精度测量。对于等精度测量来说,还有一种更好的表示误差的方法,就是标准误差。   标准误差定义为各测量值误差的平方和的平均值的平方根,故又称为均方误差。   设n个测量值的误差为ε1、ε2……εn,则这组测量值的标准误差σ等于:

      数理统计中均方误差是指参数估计值与参数真值之差平方的期望值,记为MSE

     

    SSE(和方差、误差平方和):The sum of squares due to error
    MSE(均方差、方差):Mean squared error
    RMSE(均方根、标准差):Root mean squared error
    R-square(确定系数):Coefficient of determination
    Adjusted R-square:Degree-of-freedom adjusted coefficient of determination

    下面我对以上几个名词进行详细的解释下,相信能给大家带来一定的帮助!!

    一、SSE(和方差)
    该统计参数计算的是拟合数据和原始数据对应点的误差的平方和,计算公式如下
    SSE,MSE,RMSE,R-square(转)

    SSE越接近于0,说明模型选择和拟合更好,数据预测也越成功。接下来的MSE和RMSE因为和SSE是同出一宗,所以效果一样

    二、MSE(均方差)
    该统计参数是预测数据和原始数据对应点误差的平方和的均值,也就是SSE/n,和SSE没有太大的区别,计算公式如下
    mse.gif 

    三、RMSE(均方根)
    该统计参数,也叫回归系统的拟合标准差,是MSE的平方根,就算公式如下
    rmse.gif 

    在这之前,我们所有的误差参数都是基于预测值(y_hat)和原始值(y)之间的误差(即点对点)。从下面开始是所有的误差都是相对原始数据平均值(y_ba)而展开的(即点对全)!!!

    四、R-square(确定系数)
    在讲确定系数之前,我们需要介绍另外两个参数SSR和SST,因为确定系数就是由它们两个决定的
    (1)SSR:Sum of squares of the regression,即预测数据与原始数据均值之差的平方和,公式如下
    ssr.gif 
    (2)SST:Total sum of squares,即原始数据和均值之差的平方和,公式如下
    sst.gif 
    细心的网友会发现,SST=SSE+SSR,呵呵只是一个有趣的问题。而我们的“确定系数”是定义为SSR和SST的比值,故
    rsquare.gif 

    其实“确定系数”是通过数据的变化来表征一个拟合的好坏。由上面的表达式可以知道“确定系数”的正常取值范围为[0 1],越接近1,表明方程的变量对y的解释能力越强,这个模型对数据拟合的也较好

     

     

    信用模型常用的评分标准:ks值, chi^2(卡方), iv

    ks和roc曲线很像,具体理解如下:

    ROC(Receiver Operating Characteristic Curve):接受者操作特征曲线。
    ROC曲线及AUC系数主要用来检验模型对客户进行正确排序的能力。ROC曲线描述了在一定累计好客户比例下的累计坏客户的比例,模型的分别能力越强,ROC曲线越往左上角靠近。AUC系数表示ROC曲线下方的面积。AUC系数越高,模型的风险区分能力越强。
    KS(Kolmogorov-Smirnov)检验:K-S检验主要是验证模型对违约对象的区分能力,通常是在模型预测全体样本的信用评分后,将全体样本按违约与非违约分为两部分,然后用KS统计量来检验这两组样本信用评分的分布是否有显著差异。

    ROC值一般在0.5-1.0之间。值越大表示模型判断准确性越高,即越接近1越好。ROC=0.5表示模型的预测能力与随机结果没有差别。
    KS值表示了模型将+和-区分开来的能力。值越大,模型的预测准确性越好。一般,KS>0.2即可认为模型有比较好的预测准确性。

    要弄明白ks值和auc值的关系首先要弄懂roc曲线和ks曲线是怎么画出来的。其实从某个角度上来讲ROC曲线和KS曲线是一回事,只是横纵坐标的取法不同而已。拿逻辑回归举例,模型训练完成之后每个样本都会得到一个类概率值(注意是类似的类),把样本按这个类概率值排序后分成10等份,每一份单独计算它的真正率和假正率,然后计算累计概率值,用真正率和假正率的累计做为坐标画出来的就是ROC曲线,用10等分做为横坐标,用真正率和假正率的累计值分别做为纵坐标就得到两个曲线,这就是KS曲线。AUC值就是ROC曲线下放的面积值,而ks值就是ks曲线中两条曲线之间的最大间隔距离。由于ks值能找出模型中差异最大的一个分段,因此适合用于cut_off,像评分卡这种就很适合用ks值来评估。但是ks值只能反映出哪个分段是区分最大的,而不能总体反映出所有分段的效果,因果AUC值更能胜任。

     

     

    https://www.zhihu.com/question/24529483

    一、weight decay(权值衰减)的使用既不是为了提高你所说的收敛精确度也不是为了提高收敛速度,其最终目的是防止过拟合。在损失函数中,weight decay是放在正则项(regularization)前面的一个系数,正则项一般指示模型的复杂度,所以weight decay的作用是调节模型复杂度对损失函数的影响,若weight decay很大,则复杂的模型损失函数的值也就大。
    二、momentum是梯度下降法中一种常用的加速技术。对于一般的SGD,其表达式为x \leftarrow  x-\alpha \ast dx,x沿负梯度方向下降。而带momentum项的SGD则写生如下形式:
    v=\beta \ast v -a\ast dx\\
    x \leftarrow  x+v
    其中\beta即momentum系数,通俗的理解上面式子就是,如果上一次的momentum(即v)与这一次的负梯度方向是相同的,那这次下降的幅度就会加大,所以这样做能够达到加速收敛的过程。
    三、normalization。如果我没有理解错的话,题主的意思应该是batch normalization吧。batch normalization的是指在神经网络中激活函数的前面,将wx+b按照特征进行normalization,这样做的好处有三点:
    1、提高梯度在网络中的流动。Normalization能够使特征全部缩放到[0,1],这样在反向传播时候的梯度都是在1左右,避免了梯度消失现象。
    2、提升学习速率。归一化后的数据能够快速的达到收敛。
    3、减少模型训练对初始化的依赖。
     

     

    多标签图像分类(Multi-label   Image  Classification)任务中图片的标签不止一个,因此评价不能用普通单标签图像分类的标准,即mean  accuracy,该任务采用的是和信息检索中类似的方法—mAP(mean  Average  Precision)。mAP虽然字面意思和mean  accuracy看起来差不多,但是计算方法要繁琐得多,以下是mAP的计算方法:

     

    首先用训练好的模型得到所有测试样本的confidence  score,每一类(如car)的confidence   score保存到一个文件中(如comp1_cls_test_car.txt)。假设共有20个测试样本,每个的id,confidence  score和ground  truth  label如下:​​

    接下来对confidence  score排序,得到:

    这张表很重要,接下来的precision和recall都是依照这个表计算的

    然后计算precision和recall,这两个标准的定义如下:

    上图比较直观,圆圈内(true   positives + false  positives)是我们选出的元素,它对应于分类任务中我们取出的结果,比如对测试样本在训练好的car模型上分类,我们想得到top-5的结果,即:

    在这个例子中,true   positives就是指第4和第2张图片,false   positives就是指第13,19,6张图片。方框内圆圈外的元素(false   negatives和true  negatives)是相对于方框内的元素而言,在这个例子中,是指confidence   score排在top-5之外的元素,即:

    其中,false   negatives是指第9,16,7,20张图片,true   negatives是指第1,18,5,15,10,17,12,14,8,11,3张图片。

    那么,这个例子中Precision=2/5=40%,意思是对于car这一类别,我们选定了5个样本,其中正确的有2个,即准确率为40%;Recall=2/6=30%,意思是在所有测试样本中,共有6个car,但是因为我们只召回了2个,所以召回率为30%。

    实际多类别分类任务中,我们通常不满足只通过top-5来衡量一个模型的好坏,而是需要知道从top-1到top-N(N是所有测试样本个数,本文中为20)对应的precision和recall。显然随着我们选定的样本越来也多,recall一定会越来越高,而precision整体上会呈下降趋势。把recall当成横坐标,precision当成纵坐标,即可得到常用的precision-recall曲线。这个例子的precision-recall曲线如下:

    接下来说说AP的计算,此处参考的是PASCAL  VOC  CHALLENGE的计算方法。首先设定一组阈值,[0, 0.1, 0.2, …, 1]。然后对于recall大于每一个阈值(比如recall>0.3),我们都会得到一个对应的最大precision。这样,我们就计算出了11个precision。AP即为这11个precision的平均值。这种方法英文叫做11-point interpolated average precision。​

    当然PASCAL VOC CHALLENGE自2010年后就换了另一种计算方法。新的计算方法假设这N个样本中有M个正例,那么我们会得到M个recall值(1/M, 2/M, ..., M/M),对于每个recall值r,我们可以计算出对应(r' > r)的最大precision,然后对这M个precision值取平均即得到最后的AP值。计算方法如下:​

     

     

    相应的Precision-Recall曲线(这条曲线是单调递减的)如下:​

     

    AP衡量的是学出来的模型在每个类别上的好坏,mAP衡量的是学出的模型在所有类别上的好坏,得到AP后mAP的计算就变得很简单了,就是取所有AP的平均值。

    转载于:https://www.cnblogs.com/dmyu/p/6020952.html

    展开全文
  • 然后这涉及国际航空运输中两个重量的名词概念:重货和泡货。本期小编就来给大家说一说实重、体积重、计费重和重货、泡货以及他们之间有什么关联。1、实重(Actual Weight)实重即称重获得的货物的实际重量,包括实际...
    b735af2337889c8f7d70ead43249368c.png

    我相信很多跨境电商的朋友都知道,在计算国际航空运输的运费成本时,根据货物的实际重量和体积重量,将大值作为计算运费成本的最终计费重量。然后这涉及国际航空运输中两个重量的名词概念:重货和泡货。本期小编就来给大家说一说实重、体积重、计费重和重货、泡货以及他们之间有什么关联。

    1、实重(Actual Weight)

    实重即称重获得的货物的实际重量,包括实际毛重(G.W.)和实际净重(N.W.)。实际毛重意味着在我们比较了计算出的体积重量后,以最大者为准,运费将被计算并收取。

    2、体积重(Volumetric Weight或Dimensions Weight)

    体积重即根据一定的换算系数或公式,根据货物的体积计算出来的重量。

    在国际空运中,计算体积重量的换算系数一般为1:167,1立方米约等于167千克。

    计算体积重量时,立方数乘以换算系数167,或将计算式的长度( CM)*宽度( CM)*高度( CM )除以6000KG/立方CM。

    3、计费重(Chargeable Weight)

    计费重即据以计算运费或其他杂费的重量。计费重量要么是实际毛重,要么是体积重量,两者比较取大值就是计费重。

    4、重货

    一个简单而直观的理解就是实重大于体积重的货物就是重货。

    5、泡货

    体积重大于实重的货物,也叫抛货或者轻货。

    6、分泡

    分泡是针对泡货的,这是货代揽货的一种方式。在实际的空运操作中,空运分泡出来的部分通常是货代与客户分。

    学习跟多航空货运的名词解释:

    《名词解释——航空货运名词:直飞、转飞和拼装》

    《名词解释——航空货运名词:班机运输和包机运输》

    (来源:连连跨境)

    以上内容属作者个人观点,不代表雨果网立场!如有侵权,请联系我们。

    有任何亚马逊问题,请关注微信号【cifnewspayoneer】

    上雨果网搜索“跨境资料库”,领取欧美/东南亚各国市场商机、各大平台热销品报告、跨境电商营销白皮书!

    展开全文
  • * 名词性从句 What worries my classmate Mary a lot these days1 is that she puts on too much weight and she
  • 背景方位名词的应用:小图片和文字在一条线上居中对齐 <h3>成长守护平台</h3> h3 { width: 120px; height: 40px; background-color: #fff; font-size: 14px; font-weight: 400;...

    背景方位名词的应用:小图片和文字在一条线上居中对齐

    <h3>成长守护平台</h3>
    
    			h3 {
    				width: 120px;
    				height: 40px;
    				background-color: #fff;
    				font-size: 14px;
    				font-weight: 400;
    				/* 字体不加粗 */
    				line-height: 40px;
    				/* 单行文字垂直居中 */
    				background-image: url(images/02.png);
    				/* 插入图片 很难调整位置,所以用背景图片(小的装饰性图片用背景图片来做) */
    				background-repeat: no-repeat;
    				/* 不平铺 */
    				background-position: left center;
    				/* 很好控制背景图片在盒子中的位置 */
    				text-indent: 2.5em;
    				/* 暂时这样调,学了盒子模型后可以精确调位置 */
    			}
    

    效果:
    在这里插入图片描述

    展开全文
  • " src="http://s3.51cto.com/wyfs02/M01/22/E8/wKioL1MrnCXzsjM8AABb71ra_Lg906.jpg" title="images.jpg" alt="wKioL1MrnCXzsjM8AABb71ra_Lg906.jpg" />Width和Weight:内容区域宽和高Padding:内边距Border:

    wKioL1MrnCXzsjM8AABb71ra_Lg906.jpg


    Width和Weight:内容区域宽和高

    Padding:内边距

    Border:边框

    Margin:外边距


    一、offset(偏移量)


    offsetWidth、offsetHeight属性:以CSS像素返回元素的屏幕尺寸,返回的尺寸包含元素的边框内边距内容区域,除去了外边距。(包含滚动条)


    offsetParent属性:返回元素相对的父元素。


    offsetLeft、offsetTop属性:返回元素相对于父元素的文档坐标,offsetLeft返回X坐标,offsetTop返回Y坐标。


    二、client(客户端)


    clientWidth、clientHeight属性:以CSS像素返回元素的屏幕尺寸,返回的尺寸包含元素的内边距容区域,除去了边框和外边距。(不包含滚动条)

    在文档的根元素上查询clientWidth和clicentHeight时,他们的返回值和window的innerWidth和innerHeight属性值相等。


    clientLeft、clientTop属性:返回元素的内边距的外边缘和它的边框的外边缘之间的水平距离和垂直距离,通常这些值就等于左边和上边的边框宽度。但是,如果元素有滚动条,并且浏览器将这些滚动条放置在左侧或顶部,clientLeft也就是左滚动条的宽度、clientTop也就是上滚动条的宽度。对于内联元素(无边框也无滚动条),它们返回的值永远是0。


    三、scroll(滚动)


    scrollWidth、scrollHeight属性:以CSS像素返回元素的屏幕尺寸,返回的尺寸包含元素的内边距容区域以及任何溢出内容的尺寸


    scrollLeft、scrollTop属性(可写属性):指定元素的滚动条的位置。(HTML 元素并没有类似 Window 对象的 scrollTo() 方法)





    本文出自 “希望家园” 博客,转载请与作者联系!

    展开全文
  • 25个深度学习初学者必知词汇与概念 作为一个CV领域的初学者,看论文时常对一些...weight-sharing 共享权重 : use fixed weights for the filter across the entire input 反向传播中的weight-sharing updating...
  • CNN中的权值共享理解

    万次阅读 2017-11-08 09:38:32
    基本名词对应:Feature Map : 特征图,特征映射 Weight:权值,权重权值共享CNN是权重共享,减少了参数的数量。这个有必要再对比研究一下。 一般神经网络层与层之间的连接是,每个神经元与上一层的全部神经元相连...
  • 名词是属性: 名字 体重 动词是方法: 吃 跑步 class Person: def __init__(self,name,weight): self.name = name self.weight = weight def __str__(self): return('我是%s,体重%.2f公斤' % (se.....
  • Nginx之负载均衡

    2019-11-17 14:07:18
    Nginx之负载均衡 1负载均衡的几种模式 ...名词释义 轮询(默认 每个请求按时间顺序逐一分配到不同的后端服务器,如果后端服务器 down 掉,能自动剔除 weight weight代表权,重默认为 1,权重越高被分配的...
  • Image captioning(二)- CNN + ATTENTION

    千次阅读 2017-12-01 17:56:24
    往细了讲:卷积,max/min/avg pooling, self-attention, gated-weight,sigmod weight,softmax weight等这些具体的技术细节可能在你构建graph的时候都会或多或少的使用,万变不离其宗,熟悉使用这些东西,后面在...
  • 1.封装步骤1.将属性和方法封装到一个抽象的类中,可采用名词...小明跑步案例class Persion:def __init__(self, name, weight):self.name = nameself.weight = weightdef __str__(self):return "我的名字是 %s 体重...
  • 1,运行一次网络,在comand的命令中打入你的网络名词,如果是默认的就打net。然后就能看到下面一大堆信息: Neural Network % 中间一大堆没用的,已删除。 weight and bias values: IW: {3x1 cell} containing...
  • 前段时间做了3dmax导出动画和mesh数据,一直想和大家一起分享,一直也没有时间写,现在终于有时间了首先说说骨骼动画的原理,字面意思就是有骨头驱动的,有骨头带动肉:) 有三个名词术语要理解 :bone , weight ,...
  • qt 格式

    2019-09-11 10:01:49
    类名-----大写字母开头,驼峰规则,名词名词短语 函数名---小写字母开头,驼峰规则,动词或动词短语 常量---大写,全局常量,宏定义,类的作用域内创建枚举值 布尔变量----近似短语 bool isExisted 数据成员--...
  • 由于笔者论文的需要,总结一些神经网络算法在matlab中的专有名词。 一、训练函数 1、traingd Name:Gradient descent backpropagation (梯度下降反向传播算法 ) Description:triangd is a network training ...
  • 一、ps查看线程信息参数说明:-L Show threads, possibly with LWP and NLWP columns-TShow threads, possibly with SPID column-m Show threads after ...名词解释:LWP:light weight process,linux下面表示线程...
  • an.choranchor的音标和读音:DJ音标发音: [ˈæŋkə]KK音标发音: [ˈæŋkɚ]anchor的词性:n.(名词)1. Nautical A heavy object attached to a vessel by a cable or rope and cast overboard to keep the ...
  • 一、ps查看线程信息 参数说明: -L Show threads, possibly with LWP and NLWP columns -TShow threads, possibly ...LWP:light weight process,linux下面表示线程; SPID:system process id,linux下面表示...
  • python 类

    2018-04-18 20:20:17
    ''' 面对对象 创建类 格式: class 类名(父类列表):#首字母大写 属性 行为 ''' #object:基类,所有类的父类... #定义属性(定义变量)(名词性属性) name = " " age = 0 height = 0 weight = 0 ...
  • Android之px/dpi/dip/dp/density/DisplayMetrics和屏幕适配文章链接:友情链接:知识点 px、DPI、density和dip/dp的简介; Android系统设置的dpi和dp的...新名词记录{DisplayMetrics:描述屏幕密度、大小和字体缩放值
  • 这时候我们引入一个名词“内存对齐” 先来看一组现象: struct S { char name[20]; int score; int age; double weight; }; #include<stdio.h> int main() { printf("%d\n",sizeof(struct S)); return ...
  • Android 屏幕适配

    2016-11-17 10:03:52
    "Android 屏幕适配"-Android面试必问"精华技能点"汇总 作者:nzfxx 目录: ...11 名词解释12 res文件夹下的目录分类13 Android中的像素密度...方式之-dimens尺寸方式之-layout方式之-代码适配方式之-weight权重
  • property:类似于bmi这种,看起来像名词,实际是需要计算的(动词),或者遇到周长或者面积这种词的时候,需要使用property装饰器来对其进行伪装 例如:  class Person: def __init__(self,name,weight,height): self...
  • 面向对象——细节

    2018-07-24 21:57:00
    方法在类中就是一种行为,行为是一个动词,可有的时候,我们想让方法这个'动词'变成'名词', 提供这样的机制。来达到实际所需的效果。property是一种特殊的属性,访问它时会执行一段功能(函数)然后返回值。 ...
  • ②不管有没有晋级,都先给他名词group+1,若晋级,等待后期覆盖。 //0 1 2 3 4 5 6 7 8 9 10 序号 //25 18 0 46 37 3 19 22 57 56 10 weight //6 0 8 7 10 5 9 1 4 2 3 参赛顺序,放入队列 //8 7 9 3
  • weight = 2 2 类型分类 基本数据类型 字符串(str):表达一种名词,使用引号包围的对象 fruit = '苹果' name = "zs" hobby = """睡觉""" a = "lisi' # 错误 数值类型 整型(int):数学中的整数。 浮点型...
  • woe分析_WOE和IV

    2021-01-04 02:43:47
    WOE和IV是在评分卡模型开发中的名词进过分箱操作之后,变量分布在了区间上,所以我们还需要对区间做一个数值编码这个数值编码就叫做WOE(Weight of Evidence),先来看一下WOE的计算公式WOE的优缺点:优点:1、可以...
  • 比如我们知道某些weight是不需要的,那么就可以去掉这条链接 CNN的概览 卷积层 相关名词:卷积核(过滤器)、步长(stride) 卷积后的矩阵可以看作是目标区域和Filter的相似度,值越高,相似度越高。 在更加复杂真实...
  • 属性与修饰符 属性是一个方法或一对方法,但在调用它的代码...名词解释l 字段是存储类要满足其设计所需要的数据,字段是与类相关的变量。class Pig{ ... private int weight; /// /// 猪的重量 /// public

空空如也

空空如也

1 2
收藏数 37
精华内容 14
关键字:

weight名词