精华内容
下载资源
问答
  • 可以给我个具体例子不啊283.5504 280.6133 290.0733 289.5767 284.1333 280...84 283.4403 280.364 289.68 289.4167 283.4937 280.6303 289.9533 289.6703 283.3904 280.7803 289.5703 289.5273 283.4137 280.9737 290....

    可以给我个具体例子不啊283.5504

    280.6133

    290.0733

    289.5767

    284.1333

    280.804

    289.9703

    289.2867

    283.454

    280.1737

    289.8904

    289.2037

    282.9507

    279.4733

    290.0537

    289.8437

    283.684

    280.1867

    289.9237

    289.384

    283.5207

    280.4407

    289.887

    289.35

    282.7133

    279.327

    289.9403

    289.784

    283.5937

    279.9807

    289.9437

    289.424

    283.3967

    279.694

    289.197

    288.7103

    282.067

    278.59

    289.487

    289.3437

    283.0437

    279.9503

    289.654

    289.3434

    282.9907

    279.8933

    290.0337

    290.1667

    284.0137

    281.0804

    290.3337

    289.697

    283.3533

    280.1733

    289.7337

    289.84

    283.4403

    280.364

    289.68

    289.4167

    283.4937

    280.6303

    289.9533

    289.6703

    283.3904

    280.7803

    289.5703

    289.5273

    283.4137

    280.9737

    290.127

    290.1937

    284.0537

    280.9267

    290.41

    290.2837

    283.754

    280.48

    290.1033

    289.9737

    283.7574

    280.8207

    289.6703

    289.6737

    283.147

    279.7833

    289.647

    289.8004

    283.7103

    280.247

    290.56

    290.8967

    284.4803

    280.917

    291.307

    291.1603

    284.5867

    281.247

    290.88

    291.0133

    284.467

    280.6104

    290.6234

    290.854

    283.7673

    279.7867

    290.5737

    290.8637

    283.5533

    280.1903

    291.3807

    291.9003

    285.0437

    282.0073

    291.9207

    292.1737

    285.1367

    281.3837

    291.464

    291.55

    285.0633

    281.5333

    291.1437

    291.4403

    284.7437

    281.077

    291.184

    291.2407

    284.28

    280.967

    290.877

    291.267

    284.2303

    280.5137

    291.5037

    291.9173

    284.7233

    281.607

    291.8403

    292.0437

    284.9637

    281.424

    291.814

    291.8737

    285.174

    281.7503

    291.4

    292.1234

    285.0303

    281.5667

    291.567

    291.954

    284.6903

    280.6234

    292.2537

    292.71

    285.1133

    281.2937

    292.397

    292.88

    285.2867

    281.067

    292.1467

    292.657

    285.204

    281.397

    292.1937

    292.6307

    285.3967

    282.2103

    292.0467

    292.567

    285.8474

    282.3333

    292.3033

    293.0804

    286.1803

    282.527

    293.36

    293.95

    286.6137

    282.1967

    293.91

    294.4907

    286.6003

    283.0267

    294.18

    294.317

    286.3004

    282.537

    293.877

    294.5607

    286.8904

    282.597

    293.7073

    294.1437

    286.2433

    281.89

    293.757

    294.1073

    286.4533

    282.1137

    293.5167

    294.41

    286.5637

    282.124

    294.317

    295.087

    287.077

    282.5503

    294.2167

    294.627

    286.7373

    282.0567

    293.44

    293.9537

    286.3767

    282.447

    294.1633

    294.884

    286.957

    282.68

    294.74

    295.65

    288.267

    284.1203

    295.2137

    296.0504

    287.817

    283.3803

    295.967

    296.7337

    288.4607

    284.01

    296.5333

    297.1637

    289.097

    285.6467

    297.1837

    297.9467

    289.757

    285.4933

    297.9603

    298.517

    289.37

    285.2303

    297.7933

    298.6633

    289.9003

    285.7933

    297.527

    298.007

    290.3207

    285.6937

    297.527

    297.9567

    289.5067

    285.0737

    296.117

    296.1503

    287.3004

    283.8537

    295.387

    295.714

    287.5103

    283.607

    294.8904

    295.51

    287.1033

    282.4867

    295.58

    296.187

    287.8973

    283.9703

    295.5

    295.6933

    287.267

    283.47

    295.387

    295.9967

    287.617

    283.76

    296.3734

    297.0833

    288.3833

    284.2173

    297.407

    297.93

    289.2437

    284.1407

    297.8304

    298.527

    289.2007

    285.037

    297.8837

    298.3403

    289.6437

    285.5333

    297.6967

    298.0733

    289.79

    285.877

    297.35

    297.15

    288.9503

    284.5003

    296.0333

    296.4537

    288.14

    284.2373

    296.4904

    297.1173

    288.624

    284.2067

    297.8434

    298.53

    290.4867

    286.17

    298.1933

    298.75

    289.987

    285.8734

    298.297

    298.6567

    290.4304

    286.2933

    298.7937

    298.7703

    289.8604

    285.3037

    298.7537

    299.507

    290.6737

    285.767

    300.687

    301.327

    291.357

    286.317

    300.9703

    301.2903

    291.58

    286.8637

    300.0037

    300.4473

    290.9133

    286.1137

    300.9037

    301.5807

    291.9167

    286.8937

    301.5467

    302.0633

    292.6273

    288.2133

    301.217

    301.4233

    292.1173

    287.5367

    299.79

    300.0137

    290.987

    286.197

    299.2267

    300.027

    291.337

    286.6937

    300.977

    301.5537

    292.5237

    287.8633

    301.6703

    301.8767

    292.0903

    287.627

    301.33

    301.52

    292.297

    287.107

    300.8033

    301.0367

    291.9237

    287.5303

    300.997

    301.487

    292.127

    287.6303

    301.9533

    302.4467

    293.4867

    288.3703

    303.5804

    304.1203

    294.2233

    289.5437

    304.2807

    304.7107

    294.9803

    289.7137

    304.4537

    304.3

    294.5737

    289.5137

    304.2273

    304.777

    294.8373

    289.7203

    303.027

    303.2507

    293.5537

    289.13

    302.7737

    303.2103

    292.977

    287.92

    302.9403

    303.9707

    294.09

    289.85

    303.4537

    303.987

    294.8304

    290.4237

    303.4107

    303.8967

    294.1833

    289.407

    302.6534

    303.1033

    293.8633

    289.5467

    302.8904

    303.5273

    294.2937

    289.4103

    302.707

    303.2307

    293.7207

    288.9203

    303.3

    303.9167

    293.947

    289.1104

    303.54

    304.3337

    294.257

    289.7503

    303.8

    304.737

    295.4703

    290.807

    304.6467

    305.127

    295.3537

    290.4703

    304.2337

    304.7473

    295.36

    291.427

    304.4173

    305.0337

    295.6737

    291.09

    305.03

    305.2233

    295.42

    290.5807

    304.6433

    304.867

    294.8137

    290.237

    304.207

    304.6907

    295.4537

    290.8267

    304.5703

    305.0804

    295.6503

    291.3067

    305.077

    305.6573

    295.567

    291.877

    305.3873

    305.83

    295.99

    291.3933

    306.2037

    306.727

    296.7404

    292.4237

    306.6667

    306.9904

    297.297

    292.43

    306.7207

    307.0773

    296.574

    291.4867

    305.437

    305.9703

    295.7

    291.0537

    305.4707

    306.0937

    295.7437

    291.5367

    306.2337

    306.947

    296.8367

    292.21

    307.2103

    307.764

    297.6607

    292.8

    307.567

    308.567

    298.387

    293.81

    308.4403

    309.247

    298.5903

    293.867

    308.6037

    309.2203

    299.1803

    294.467

    308.5567

    309.3137

    298.587

    293.9034

    307.8103

    308.4937

    298.4373

    293.5804

    308.387

    308.9037

    298.75

    293.5537

    307.66

    307.9937

    297.1933

    292.5267

    307.48

    308.17

    297.027

    293.0273

    308.514

    309.3434

    298.677

    293.8137

    308.7

    309.1067

    298.627

    293.8067

    308.7233

    309.2874

    298.7503

    294.1333

    309.19

    309.4167

    298.1503

    293.737

    309.0804

    309.87

    298.884

    294.267

    309.3073

    310.0837

    299.3907

    295.154

    309.614

    310.5473

    300.4533

    295.2837

    310.1067

    310.554

    299.8433

    294.9103

    309.5867

    310.014

    299.5003

    294.7

    309.7833

    310.4237

    299.97

    295.2237

    310.0403

    310.757

    300.1137

    295.4973

    309.0634

    309.7977

    299.3967

    294.7437

    308.9007

    309.4707

    299.2433

    294.4367

    309.6733

    310.4003

    300.1437

    295.38

    310.717

    311.2537

    300.8037

    295.8207

    311.124

    311.614

    300.9067

    296.1933

    311.1803

    311.754

    301.27

    296.507

    311.387

    312.1703

    301.6907

    296.8337

    311.507

    311.807

    301.2137

    296.3237

    311.0707

    311.647

    300.69

    295.73

    310.977

    312.067

    301.31

    296.557

    312.2603

    312.8273

    301.8803

    297.2933

    311.8037

    312.3007

    301.4433

    296.6303

    311.6933

    312.3867

    301.4173

    296.7233

    311.777

    312.5467

    301.757

    296.5033

    311.9707

    312.9933

    302.0203

    296.9034

    312.6637

    313.224

    302.377

    297.2067

    312.2507

    312.7667

    302.0737

    297.0003

    312.0903

    312.8373

    301.7267

    296.7233

    312.3273

    313.2

    302.3073

    296.7637

    312.4207

    313.1237

    301.7637

    296.2603

    312.644

    313.397

    301.8807

    296.4707

    312.7937

    313.23

    302.1337

    297.1803

    312.63

    313.204

    302.0703

    296.684

    312.1367

    313.087

    302.2067

    296.447

    312.86

    313.7503

    302.8

    297.1833

    313.4903

    314.3467

    303.07

    297.2937

    313.6437

    314.3734

    303.404

    297.6137

    314.2103

    315.0844

    304.1637

    298.1267

    314.8174

    315.5203

    304.1803

    298.24

    314.924

    315.7703

    304.6337

    298.267

    315.2203

    315.8707

    304.5873

    298.5173

    314.6507

    315.1844

    303.4537

    297.7367

    313.777

    314.731

    303.0773

    297.5073

    313.6867

    314.617

    303.53

    298.1033

    313.8267

    314.9503

    304.3134

    298.4767

    314.6404

    315.4137

    304.14

    298.1637

    314.5437

    315.4037

    304.4167

    298.5067

    314.9633

    315.667

    304.4034

    298.55

    315.0903

    315.9437

    305.06

    298.7303

    315.3273

    316.1937

    304.9367

    299.0737

    315.16

    316.127

    304.96

    298.7767

    315.1237

    315.8237

    304.5504

    298.3703

    314.2407

    315.257

    304.48

    298.4904

    314.384

    315.15

    303.987

    298.46

    314.244

    315.0903

    303.8267

    297.767

    313.5567

    314.424

    303.4737

    297.4767

    313.0167

    314.1673

    303.0233

    297.3

    313.037

    313.9943

    302.94

    297.01

    312.8237

    313.8103

    303.6603

    297.6167

    312.847

    313.7667

    303.0467

    297.0567

    312.627

    313.687

    302.9967

    297.1767

    313.1903

    314.307

    303.587

    297.4237

    313.4503

    314.3373

    303.5637

    297.2903

    312.597

    313.3767

    302.73

    296.6404

    312.0837

    313.3103

    302.74

    296.9633

    312.6737

    313.7437

    302.8767

    297.0703

    312.8237

    313.68

    302.987

    297.2003

    313.1937

    314.297

    303.9337

    297.7933

    313.9203

    314.927

    304.5333

    298.41

    314.2467

    315.287

    304.98

    298.5867

    313.79

    314.4944

    303.547

    297.6803

    313.1833

    314.244

    303.6067

    297.85

    313.4003

    314.4

    303.6933

    297.6537

    313.3604

    314.4207

    303.6537

    297.52

    313.7867

    314.7943

    304.247

    297.8867

    313.6867

    314.49

    303.4567

    297.73

    313.31

    314.127

    303.3703

    297.15

    313.1837

    314.1573

    303.35

    297.247

    313.39

    314.33

    304.0667

    297.6333

    313.337

    314.244

    303.877

    297.587

    313.3807

    314.307

    304.0303

    297.7837

    313.2167

    314.1133

    303.587

    297.64

    313.4533

    314.7737

    304.427

    298.11

    314.324

    314.8433

    304.307

    298.3133

    314.0634

    314.894

    304.7003

    298.6867

    314.14

    315.01

    304.83

    298.4633

    314.1237

    314.8003

    304.6703

    298.6337

    314.2037

    315.07

    304.6967

    298.6

    313.8707

    314.517

    303.827

    298.0733

    313.6473

    314.627

    304.1667

    298.1567

    313.83

    314.7473

    304.407

    298.5237

    313.8937

    314.5804

    304.1767

    297.8604

    313.7373

    314.2907

    303.4403

    297.85

    313.3003

    314.2007

    303.8

    298.0567

    313.561

    314.2

    303.927

    297.7803

    313.617

    314.03

    303.3333

    297.2667

    313.18

    313.7637

    303.1033

    297.4337

    312.834

    313.5233

    302.817

    297.3434

    312.7437

    313.5403

    303.567

    297.6733

    313.067

    313.6803

    303.7237

    297.8067

    313.1537

    313.8873

    303.607

    297.3067

    313.1133

    313.464

    303.6267

    297.7903

    312.7403

    313.49

    303.5133

    297.7367

    313.067

    313.537

    303.2767

    297.557

    312.9403

    313.3537

    302.8367

    297.3067

    312.72

    313.2

    302.7003

    297.067

    312.9133

    313.264

    302.8703

    297.0537

    312.6404

    312.8637

    302.66

    296.7367

    312.037

    312.5037

    302.7303

    296.6

    312.3373

    312.4137

    302.7337

    296.9967

    311.7203

    311.757

    302.21

    296.83

    311.1367

    311.4677

    301.6203

    296.4433

    311.047

    311.4837

    301.3

    296.51

    311.3004

    311.65

    301.5467

    296.41

    310.797

    311.1607

    301.0833

    296.0603

    310.6967

    310.9603

    300.987

    295.4

    310.5437

    310.7867

    301.0903

    295.9767

    310.6404

    311.077

    301.3937

    295.7667

    310.687

    310.99

    301.697

    296.1137

    310.93

    311.0233

    301.2967

    295.81

    310.1933

    310.4137

    300.8167

    295.467

    309.9867

    310.157

    300.5333

    294.9767

    309.8033

    310.0773

    300.1867

    294.8867

    310.03

    310.0233

    300.59

    295.78

    309.8933

    309.927

    300.0204

    295.3837

    309.347

    309.4037

    299.98

    295.0833

    308.9337

    309.027

    299.8304

    295.0204

    309.24

    309.6503

    300.3967

    295.4433

    309.3803

    309.71

    300.59

    295.4737

    309.54

    309.5504

    300.2667

    295.327

    308.887

    308.9503

    299.2767

    294.8434

    308.747

    308.51

    298.6933

    294.2433

    308.1037

    308.0167

    298.5467

    293.92

    307.8033

    307.5867

    298.8633

    294.1234

    307.817

    307.8004

    299.1303

    294.6167

    307.8

    308.0437

    299.3904

    294.6633

    308.217

    307.9133

    298.7603

    294.7567

    307.5204

    307.3767

    298.7167

    293.777

    307.09

    306.9034

    297.7667

    293.5537

    306.8434

    306.4603

    297.6067

    293.3703

    306.6703

    306.547

    297.7703

    293.0903

    307.327

    307.05

    297.98

    293.1937

    306.6833

    306.0137

    297.3567

    292.837

    305.7167

    304.9667

    296.68

    292.55

    305.1367

    304.7833

    296.1737

    291.88

    305.3333

    304.79

    296.0437

    292.137

    305.0267

    304.6937

    295.96

    292.0367

    304.8933

    304.6467

    296.14

    292.167

    305.0833

    304.5867

    296.1467

    291.987

    304.6167

    304.0903

    295.7867

    291.477

    304.0503

    303.5867

    295.3633

    290.3267

    303.8134

    303.58

    295.8737

    291.6567

    304.057

    303.517

    295.6733

    291.2067

    303.6534

    302.8537

    294.42

    290.6033

    303.6203

    303.5703

    295.7

    291.8067

    303.9067

    303.527

    296.0033

    292.0403

    303.547

    303.0233

    295.39

    291.1937

    303.657

    302.98

    295.5433

    291.227

    303.827

    303.2733

    295.307

    290.6133

    303.4167

    302.597

    293.9503

    290.1167

    302.7333

    301.897

    293.8367

    289.85

    302.5137

    301.3203

    293.0533

    289.07

    301.4067

    300.5233

    292.067

    288.7167

    301.08

    299.9733

    292.0137

    288.28

    301.057

    300.3803

    293.0333

    289.04

    301.07

    300.34

    292.8004

    288.7867

    301.02

    300.3304

    293.057

    289.15

    300.907

    299.8167

    292.2833

    288.56

    299.8233

    298.7737

    291.3367

    287.5567

    299.4367

    298.667

    291.5603

    287.6267

    299.517

    298.85

    291.527

    287.7633

    299.32

    298.5067

    291.587

    287.6267

    298.8103

    297.8337

    290.4333

    286.6637

    298.1303

    296.9737

    290.0867

    286.667

    297.5567

    296.5233

    289.7437

    286.3633

    297.9803

    297.25

    289.8203

    286.1933

    298.13

    297.2933

    290.21

    286.9103

    297.6133

    296.777

    289.72

    286.1234

    297.627

    297.0903

    289.597

    286.15

    297.1467

    296.34

    289.117

    284.777

    297.1534

    296.3004

    289.0767

    285.4567

    297.4767

    296.3767

    288.9637

    285.63

    297.2833

    296.1637

    289.1167

    285.7137

    296.7637

    295.4433

    288.7467

    285.837

    295.75

    294.7033

    288.46

    285.2267

    295.7303

    294.76

    288.14

    285.02

    295.2903

    294.2367

    287.5833

    284.24

    295.3904

    294.8137

    287.7037

    283.8367

    295.397

    294.5233

    287.35

    284.047

    295.23

    294.3633

    287.8267

    284.3967

    294.8403

    293.8467

    287.387

    283.52

    294.507

    293.9567

    288.3467

    284.6803

    295.5467

    294.7067

    288.4034

    285.067

    295.2633

    294.3437

    288.0603

    285.1067

    294.6733

    293.6104

    286.957

    283.8033

    293.82

    292.82

    286.2237

    282.857

    294.0167

    293.26

    286.8434

    283.7404

    293.86

    293.15

    286.6037

    282.9633

    293.2833

    292.307

    285.9933

    282.73

    293.1234

    292.1433

    285.5467

    282.16

    292.1404

    290.74

    284.26

    281.7733

    292.04

    291.3604

    285.8067

    282.417

    292.777

    291.8933

    285.32

    282.0433

    292.4633

    291.5467

    285.22

    282.41

    292.1833

    291.4067

    285.5934

    282.6003

    292.22

    291.49

    285.3633

    282.2567

    291.9367

    290.8737

    284.927

    282.0267

    290.8567

    289.8833

    284.49

    281.3337

    290.6367

    289.8203

    284.2203

    280.8767

    290.96

    290.29

    283.9167

    281.0637

    291.15

    290.7733

    285.2503

    281.5503

    292.3233

    291.83

    285.48

    281.8633

    291.87

    291.54

    285.2703

    282.32

    292.017

    291.4467

    284.5537

    281.3537

    291.87

    291.1267

    284.9267

    281.57

    292.02

    291.2167

    285.0137

    281.9303

    291.477

    290.9833

    284.9034

    281.3867

    291.1303

    290.4067

    284.147

    281.057

    291.1733

    290.9137

    285.0637

    282.1333

    292.1037

    291.5903

    285.1467

    281.5567

    291.1133

    290.3537

    284.6733

    281.45

    290.8337

    290.4967

    284.9367

    281.29

    290.6503

    290.0267

    284.3503

    281.1467

    290.4533

    289.54

    283.5467

    279.9437

    289.7167

    289.2

    283.127

    280.3267

    289.8967

    289.7767

    284.21

    280.77

    290.2633

    289.6567

    283.34

    280.3433

    290.2337

    289.6104

    这是我的数据

    展开全文
  • 3)拟合未用最后一组数据 拟合得到公式如下表 a b 0*1*2 244.04786199841115*δ**-0.5138085835355587 221 0.905738 0.52 1.019608 0-1 53.68789044513347*δ**-0.5211103140653743 0.9673853175038604 ****** 决定...

    因为神经网络的迭代次数和收敛误差的数学规律符合谐振子的力学模型,

    本次实验统计了11个网络的振动函数,并比较参数之间的可能关系。

    这11个网络包括6个二分类网络(0,1),(0,2),(0,3) ,(1,2) ,(1,3) ,(2,3),包括4个三分类网络(0,1,2), (0,1,3), (0,2,3), (1,2,3),和1个4分类网络(0,1,2,3).

    网络结构为81*30 例如

    (0,1)---81*30*2---(1,0)(0,1),

    用间隔取点的办法将mnist图片化成9*9,每个收敛误差统计199次取平均值。

    得到迭代次数和收敛误差的数据如下表

    0*1

    0*2

    0*3

    1*2

    1*3

    2*3

    0*1*2

    0*1*3

    0*2*3

    1*2*3

    0*1*2*3

    δ

    迭代次数n

    迭代次数n

    迭代次数n

    迭代次数n

    迭代次数n

    迭代次数n

    迭代次数n

    迭代次数n

    迭代次数n

    迭代次数n

    迭代次数n

    0.5

    8.462312

    10.13065

    9.773869

    9.879397

    9.643216

    8.668342

    164.8141

    158.2764

    200.3166

    190.8844

    456.3216

    0.4

    150.6281

    212.6834

    216.5729

    207.397

    218.4975

    260.9849

    496.6583

    496.1508

    610.7839

    726.3467

    1040.678

    0.3

    194.9899

    266.5126

    276.7487

    285.1508

    294.2362

    337.8593

    591.593

    588.7387

    702.191

    806.2814

    1182.774

    0.2

    233.9749

    325.2965

    336.9497

    369.3518

    355.8241

    411.5377

    921.005

    829.2261

    846.397

    951.407

    1455.598

    0.1

    309.2563

    409.7487

    408.005

    406.7337

    421.9799

    556.5678

    1143.593

    1155.266

    979.7839

    1185.156

    2142.136

    0.01

    645.9347

    696.0854

    695.3668

    707.0101

    843.6884

    892

    2370.593

    2264.975

    2298.935

    2516.236

    4770.412

    0.001

    1996.291

    1433.688

    1418.322

    1448.925

    1714.603

    1716.211

    7059.141

    5828.784

    7264.342

    7296.955

    18866.53

    9.00E-04

    2091.08

    1458.764

    1451.518

    1491.427

    1759.859

    1737.357

    7362.618

    5947.784

    7815.04

    7839.286

    21428.08

    8.00E-04

    2182.307

    1483.276

    1529.613

    1560.101

    1816.241

    1749.93

    7808.04

    6321.503

    8434.593

    9149.588

    23282.44

    7.00E-04

    2338.121

    1563.005

    1642.508

    1650.05

    1949.166

    1846.196

    8290.241

    7309.342

    9021.347

    10283.07

    28046.66

    6.00E-04

    2605.141

    1733.869

    1789.859

    1752.176

    2162.673

    1934.251

    9253.975

    9430.809

    9884.96

    12985.36

    31793.99

    5.00E-04

    2869.814

    1993.98

    2000.186

    1894.94

    2496.533

    2140.879

    10762.55

    11225.61

    10972.12

    16789.59

    38517.96

    4.00E-04

    3081.211

    2208.925

    2177

    2031.462

    2864.111

    2363.869

    12427.5

    12069.93

    11910.51

    21025.54

    44542.6

    3.00E-04

    4256.995

    2356.251

    2494.126

    2426.146

    3316.07

    2580.412

    13535.73

    14839.63

    13613.33

    27592.02

    55720.47

    2.00E-04

    5142.191

    2725.266

    3120.744

    3230.779

    3846.08

    2877.754

    17468.02

    17584.72

    16979.26

    37994.45

    74013.17

    1.00E-04

    5310.492

    3214.693

    3946.166

    4738.769

    5114.543

    5359.995

    28103.91

    25432.88

    27197.3

    56876.2

    108529.5

    9.00E-05

    5462.754

    3397.618

    4086.794

    4853.392

    5206.975

    6311.417

    29526.75

    27288.4

    28802.51

    61452.39

    114898.4

    8.00E-05

    5766.985

    3583.648

    4457.548

    5011.905

    5467.472

    7791.176

    32919.19

    30349.72

    29758.71

    63452.6

    123078

    7.00E-05

    6182.633

    3772.854

    4815.191

    5117.347

    5905.925

    9549.377

    34403.51

    33490.43

    31074.94

    70890.41

    131857.9

    6.00E-05

    7654.784

    3896.844

    5483.709

    5150.573

    6946.96

    11267.6

    38201.33

    40486.82

    32153.37

    76439.31

    140706.7

    5.00E-05

    9876.151

    4230.693

    6168.131

    5165

    7801.704

    13938.6

    44168.34

    47716.63

    36622.55

    84410

    155342.4

    4.00E-05

    11750.04

    4576.905

    6963.075

    5188.518

    7869

    16208.04

    51162.21

    60704.67

    40842.37

    94827.37

    172341.1

    3.00E-05

    14763.56

    5158.714

    8309.015

    5567.422

    7869

    20161.36

    58969.32

    77707.27

    45290.57

    108968.3

    192418.1

    2.00E-05

    15449.49

    6401.789

    10311.89

    9646.95

    11381.92

    25198.32

    76137.42

    97190.13

    51153.15

    132462.8

    228456.4

    1.00E-05

    23578.27

    8361.025

    18484.21

    11854.51

    41164.54*

    32546.73

    105861.6

    119533.5

    63968.84

    166149.3

    297428.5

    *(1,3)拟合未用最后一组数据

    拟合得到公式如下表

    ab
    0*1*2244.04786199841115*δ**-0.51380858353555872210.9057380.521.0196080-153.68789044513347*δ**-0.5211103140653743
    0.9673853175038604   ******  决定系数 r**20.972291301837131   ******  决定系数 r**2
    0*1*3219.80765675440065*δ**-0.52764139300708322090.9543380.520.9867170-287.76942747684512*δ**-0.39854409481325337
    0.9004841463920958   ******  决定系数 r**2 0.9900879139619467   ******  决定系数 r**2
    0*2*3293.83381573745544*δ**-0.479878960974004732330.7952220.491.0229650-375.27988416824941*δ**-0.4426510376008596
    0.9808161477866256   ******  决定系数 r**20.8962012436362272   ******  决定系数 r**2
    1*2*3254.38569142577177*δ**-0.56733900455503462330.9173230.490.8751*281.85839683337123*δ**-0.42607725641955485
    0.9655787584421318   ******  决定系数 r**20.9677366838033825   ******  决定系数 r**2
     
    0*1*2*3473.60757169110525*δ**-0.57593816539026494480.9471460.520.9043481*381.54683073729284*δ**-0.45138529929592464
    0.9663793746091709   ******  决定系数 r**20.9874891683517418   ******  决定系数 r**2
    2*371.19988912815526*δ**-0.4980878086360749
    0.8200219120333657   ******  决定系数 r**2

    可以把一个多分类网络分成多个二分类网络,比较发现多分类网络的参数a至少大于多个二分类网络的参数a的和

    比如三分类网络

    (0,1,2)---81*30*3---(1,0,0)(0,1,0)(0,0,1)

    可以分成三个二分类网络

    (0,1)---81*30*2---(1,0)(0,1)

    (0,2)---81*30*2---(1,0)(0,1)

    (1,2)---81*30*2---(1,0)(0,1)

    而b的绝对值约等于对应多个二分类网络b的绝对值的最大值

    所以可以得到一个经验公式

    一个多分类网络的参数a至少大于多个二分类网络的参数a的和,参数b的绝对值约等于对应多个二分类网络b的绝对值的最大值。

    展开全文
  • 文章目录每日练5.15.25.35.45.55.65.75.85.95.105.115.125.135.145.155.165.175.185.195.205.215.225.235.245.255.265.275.285.295.305.31 每日练 5.1 下面的程序打印输出的分别是( )? public class Main { ...

    每日一练

    5.1

    • 下面的程序打印输出的分别是( )?
    public class Main {
        public static void main(String[] args) {
            Integer f1 = 100, f2 = 100, f3 = 150, f4 = 150;
            System.out.println(f1 == f2);
            System.out.println(f3 == f4);
        }
    }
    

    A. true true

    B. true false

    C. false true

    D. false false

    【答案】B

    【解析】如果整型字面量的值在-128到127之间,那么不会new新的Integer对象, 而是直接引用常量池中的Integer对象,所以上面题中f1,f2的结果是true,而f3,f4的结果是false。

    5.2

    • 这条语句String s="a”+“b”+“c”+“d”一共创建了多少个对象?

    A. 1

    B. 2

    C. 6

    D. 7

    【答案】A

    【解析】赋值符号右边的"a"、“b”、“c”、“d"都是常量,对于常量, 编译时就直接存储它们的字面值而不是它们的引用,在编译时就直接将它们连接的结果提取出来变成了"abcd” 该语句在class文件中就相当于String s = “abcd”。

    5.3

    • (堆结构复习题) 下列4个序列中,()是堆。

    A. {75, 60, 30, 15, 25, 45, 20, 10}

    B. {75, 65, 45, 10, 30, 25, 20, 15}

    C. {75, 45, 65, 30, 15, 25, 20, 10}

    D. {75, 45, 65, 10, 25, 30, 20, 15}

    【答案】C

    【解析】画出每个堆结构对应的树即可得到答案。选项A中存在边30-45不满足性质,选项B中存在边10-15不满足性质,选项D中存在边10-15不满足性质。因此选C。

    5.4

    • (排序预习题) 下列排序算法中,()是稳定的。 ① 插入排序 ② 快速排序 ③ 堆排序 ④ 归并排序

    A. ①和②

    B. ②和③

    C. ③和④

    D. ①和④

    【答案】D

    5.5

    • (排序预习题) 对一组关键字{84, 47, 25, 15, 21}排序,关键字的排列次序在排序过程中的变化为: ① {84, 47, 25, 15, 21} ② {15, 47, 25, 84, 21} ③ {15, 21, 25, 84, 47} ④ {15, 21, 25, 47, 84} 则采用的排序可能是()。

    A. 简单选择排序

    B. 堆排序

    C. 快速排序

    D. 直接插入排序

    【答案】A

    5.6

    • (排序预习题) 以下排序算法中,()不能保证每趟排序至少能将一个关键字放在其最终位置上。

    A. 快速排序

    B. 希尔排序

    C. 堆排序

    D. 冒泡排序

    【答案】B

    【解析】选项A,快速排序,每趟排序后将当前子序列划分为两部分的那个关键字(“枢轴”)到达了其最终位置。 选项C,堆排序,每趟排序后,当前待排序列中的最大或者最小关键字到达其最终位置。 选项D,冒泡排序,每趟排序后,当前待排序列中的最大或者最小关键字到达其最终位置。 选项B,希尔排序是直接插入排序的改进,每趟排序后不能保证一定有关键字到达最终位置。

    5.7

    • (排序预习题) 若关键字序列{11, 12, 13, 7, 8, 9, 23, 4, 5}是采取下列排序算法之一得到的第二趟排序后的结果,则该排序算法只能是()

    A. 冒泡排序

    B. 插入排序

    C. 选择排序

    D. 归并排序

    【答案】B

    【解析】若是冒泡排序或者选择排序,则第二趟后应有两个最大或者最小的关键字正确排列,而结果不符。二路归并排序第二趟后,应形成两个长度为4的有序子序列,结果也不符合。所以答案只能是插入排序。两次插入后,前3个数字的顺序是对的。

    5.8

    • 从以下哪一个选项中可以获得Servlet的初始化参数。

    A. Servlet

    B. ServletContext

    C. ServletConfig

    D. GenericServlet

    【答案】C

    【解析】servlet的生命周期的方法中有一个init方法, 其中一个重载的init方法的参数为ServletConfig可以获取初始化参数。

    5.9

    • 下列哪个为JSP的内置对象。

    A. env

    B. page

    C. jspinfo

    D. context

    【答案】B

    【解析】JSP有九个内置对象:① request:保存了很多客户端请求的信息;② response:生成服务器端响应,然后将响应结果发送到客户端;③ out:表示输出流,此输出流将作为请求发送到客户端;④ session:我们写的对象放在这个session对象中,这个对象就在我们的会话中都存在;⑤ application:我们写的对象放在这个application对象中,这个对象就在整个应用程序中都存在;⑥ pageContext:相当于当前页面的容器,可以访问当前页面的所有对象;⑦ page:一般我们使用 page 来替代使用这个对象;⑧ exception:用来处理异常的;⑨ config:一般在页面中是使用很少的,一般会在Servlet中使用这个。

    5.10

    • 在下列算法中,()算法可能出现下列情况:在最后一趟开始之前,所有元素都不在最终位置上。

    A. 堆排序

    B. 冒泡排序

    C. 直接插入排序

    D. 快速排序

    【答案】C

    【解析】在直接插入排序中,若待排序列中的最后一个元素应插入到表中的第一个位置,则前面的有序子序列中的所有元素都不在最终位置上。

    5.11

    • 对n个不同的元素利用冒泡排序从小到大排序,在()情况下元素交换的次数最多

    A. 从大到小排序好的

    B. 从小到大排序好的

    C. 元素无序

    D. 元素基本有序

    【答案】A

    【解析】通常情况下,冒泡排序最少进行1次冒泡,最多进行n-1次冒泡。初始序列为逆序时,需进行n-1次冒泡,并且需要交换的次数最多。初始序列为正序时,进行1次冒泡(无交换)就可以终止算法。

    5.12

    • 下列选项中,不可能是快速排序第2趟排序结果的是()。

    A. 2, 3, 5, 4, 6, 7, 9

    B. 2, 7, 5, 6, 4, 3, 9

    C. 3, 2, 5, 4, 7, 6, 9

    D. 4, 2, 3, 5, 7, 6, 9

    【答案】C

    【解析】快排的阶段性排序结果的特点是,第i趟完成时,会有i个以上的数出现在它最终将要出现的位置,即它左边的数都比它小,它右边的数都比它大。 题目问第二趟排序的结果,即要找不存在两个这样的数的选项。 A选项中2,3,6,7,9均符合,所以A排除; B选项中,2,9均符合,所以B排除; D选项中5,9均符合,所以D排除; 最后看C选项,只有9一个数符合,所以C不可能是快速排序第二趟的结果。

    5.13

    • 对下列关键字序列用快排进行排序时(每次取待排序的子表的第一个元素作为枢轴),速度最快的情形是()

    A. {21, 25, 5, 17, 9, 23, 30}

    B. {25, 23, 30, 17, 21, 5, 9}

    C. {21, 9, 17, 30, 25, 23, 5}

    D. {5, 9, 17, 21, 23, 25, 30}

    【答案】A

    【解析】当每次的枢轴都把表等分为长度相近的两个子表时,速度是最快的;当表本身已经有序或逆序时,速度最慢。选项D中的序列已按关键字排好序,因此它是最慢的,而A中第一趟枢轴值21将表划分为两个子表{9,17,5}和(25,23,30},而后对两个子表划分时,枢轴值再次将它们等分,所以该序列是快速排序最优的情况,速度最快。

    5.14

    • 数据序列 F = {2,1,4,9,8,10,6,20} 只能是下列排序算法中的()两趟排序后的结果

    A. 快速排序

    B. 冒泡排序

    C. 选择排序

    D. 插入排序

    【答案】A

    【解析】若为插入排序,则前三个元素应该是有序的,显然不对。而冒泡排序和选择排序经过两趟排序后应该有两个元素处于最终位置(最左/右端),无论是按从小到大还是从大到小排序,数据序列中都没有两个满足这样的条件的元素,因此只可能选A。

    5.15

    • 下列程序运行的结果()
    public class Example {
        String str = new String("good");
        char[] ch = {'a', 'b', 'c'};
    
        public static void main(String[] args) {
            Example ex = new Example();
            ex.change(ex.str, ex.ch);
            
            System.out.println(ex.str + " and ");
            System.out.println(ex.ch);
        }
        public void change(String str, char[] ch) {
            str = "test ok";
            ch[0] = 'g';
        }
    }
    

    A. good and abc

    B. good and gbc

    C. test ok and abc

    D. test ok and gbc

    【答案】B

    【解析】有两变量str,一个是成员变量(可以写成this.str),一个是局部变量(str), 调用change时将成员变量str(this.str)传给str, 此时this.str与str指向了同一个字符串:good,当执行str="test OK"后, this.str=“good” str=“test OK”,然后change方法结束, str结束生命。所以你打印的的内容是“good”,也就是this.str的内容。 ch数组的内容:由于change中的ch[0]与外面的ch[0]指向的是同一个位置,所以它改变数组的内容。

    5.16

    • 有关Servlet的生命周期说法正确的有()。

    A. Servlet的生命周期由Servlet实例控制

    B. init()方法在创建完Servlet实例后对其进行初始化,传递的参数为实现ServletContext接口的对象

    C. service()方法响应客户端发出的请求

    D. destroy()方法释放Servlet实例

    【答案】C

    【解析】Servlet 生命周期就是指创建 Servlet 实例后响应客户请求直至销毁的全过程。Serlvet 生命周期的三个方法:init()–>service()–>destroy()。 Servlet生命周期的各个阶段:① 实例化:Servlet 容器创建 Servlet 类的实例对象;② 初始化:Servlet 容器调用 Servlet 的 init() 方法;③ 服务:如果请求 Servlet,则容器调用 service() 方法;④ 销毁:销毁实例之前调用 destroy() 方法。

    5.17

    • 对同一待排序序列分别进行折半插入排序和直接插入排序,两者之间可能的不同之处是()。

    A. 排序的总趟数

    B. 元素的移动次数

    C. 使用辅助空间的数量

    D. 元素之间的比较次数

    【答案】D

    【解析】折半插入排序与直接插入排序都将待插入元素插入前面的有序子表,区别是:确定当前记录在前面有序子表中的位置时,直接插入排序采用顺序查找法,而折半插入排序采用折半查找法。排序的总趟数取决于元素个数 n n n,两者都是 n − 1 n-1 n1趟。 元素的移动次数都取决于初始序列,两者相同。 使用辅助空间的数量也都是 O ( 1 ) O(1) O(1)。 折半插入排序的比较次数与序列初态无关,为 O ( n lg ⁡ n ) O(n\lg n) O(nlgn); 而直接插入排序的比较次数与序列初态有关,为 O ( n ) O(n) O(n)~ O ( n 2 ) O(n^2) O(n2)

    5.18

    • 采用递归方式对顺序表进行快速排序。下列关于递归次数的叙述中,正确的是()。

    A. 递归次数与初始数据的排列次序无关

    B. 每次划分后,先处理较长的分区可以减少递归次数

    C. 每次划分后,先处理较短的分区可以减少递归次数

    D. 递归次数与每次划分后得到的分区的处理顺序无关

    【答案】D

    【解析】递归次数与各元素的初始排列有关。若每次划分后分区比较平衡,则递归次数少;若分区不平衡,递归次数多。递归次数与处理顺序是没有关系的。

    5.19

    • 对下列4个序列,以第一个关键字为基准用快速排序算法进行排序,在第一趟过程中移动记录次数最多的是()。

    A. 92、96、88、42、30、35、110、100

    B. 92、96、100、110、42、35、30、88

    C. 100、96、92、35、30、110、88、42

    D. 42、30、35、92、100、96、88、110

    【答案】B

    【解析】对各序列分别执行一趟快速排序,可做如下分析(以A为例):由于枢轴值为92,因此35移动到第一个位置,96移动到第六个位置,30移动到第二个位置,再将枢轴值移动到30所在的单元,即第五个位置,所以A中序列移动的次数为4。 同样,可以分析出B中序列的移动次数为8,C中序列的移动次数为4,D中序列的移动次数为2。

    5.20

    • 对10TB的数据文件进行排序,应使用的方法是()。

    A. 希尔排序

    B. 堆排序

    C. 快速排序

    D. 归并排序

    【答案】D

    5.21

    • 在内部排序时,若选择了归并排序而未选择插入排序,则可能的理由是()。

      I. 归并排序的程序代码更短 II.归并排序的占用空间更少 III.归并排序的运行效率更高

    A. 仅II

    B. 仅III

    C. 仅I、II

    D. 仅I、III

    【答案】B

    5.22

    • 下列哪种说法是正确的()

    A. 实例方法可直接调用超类的实例方法

    B. 实例方法可直接调用超类的类方法

    C. 实例方法可直接调用其他类的实例方法

    D. 实例方法可直接调用本类的类方法

    【答案】D

    【解析】A. 实例方法不可直接调用超类的私有实例方法;B. 实例方法不可直接调用超类的私有的类方法;C.要看访问权限。

    5.23

    • 下列哪一种叙述是正确的( )

    A. abstract修饰符可修饰字段、方法和类

    B. 抽象方法的body部分必须用一对大括号{ }包住

    C. 声明抽象方法,大括号可有可无

    D. 声明抽象方法不可写出大括号

    【答案】D

    【解析】abstract可以修饰方法和类,不能修饰属性。抽象方法没有方法体,即没有大括号{}

    5.24

    • 若查找每个关键字的概率均等,则在具有 n n n 个关键字的顺序表中采用顺序查找法查找一个记录,其查找成功的平均查找长度ASL为()。

    A. n − 1 2 \frac{n-1}{2} 2n1

    B. n 2 \frac{n}{2} 2n

    C. n + 1 2 \frac{n+1}{2} 2n+1

    D. n n n

    【答案】C

    【解析】 A S L = 1 + 2 + ⋯ + n n = n + 1 2 ASL = \frac{1+2+\dots+n}{n}=\frac{n+1}{2} ASL=n1+2++n=2n+1

    5.25

    • 下列关于折半查找的叙述正确的是()。

    A. 表必须有序,表可以以顺序方式存储,也可以以链表形式存储。

    B. 表必须有序,而且只能从小到大排列。

    C. 表必须有序,且表中关键字必须是整形、实型或字符型。

    D. 表必须有序,且表只能以顺序方式存储。

    【答案】D

    【解析】选项A,折半查找不适用于链表。 选项B,折半查找未要求元素是递增有序还是递减有序。 选项C,折半查找未要求数据类型。

    5.26

    • 具有12个关键字的有序表,对每个关键字的查找概率相同,折半查找成功的平均查找长度ASL为()。

    A. 37/12

    B. 35/12

    C. 39/12

    D. 43/12

    【答案】A

    【解析】 12 = 1 + 2 + 4 + 5 12 = 1 + 2 + 4 + 5 12=1+2+4+5 ,平均查找长度 A S L = 1 ∗ 1 + 2 ∗ 2 + 3 ∗ 4 + 4 ∗ 5 12 = 37 12 ASL = \frac{1*1+2*2+3*4+4*5}{12}=\frac{37}{12} ASL=1211+22+34+45=1237

    5.27

    • 对于同一个表,用二分查找法查找表的元素的速度比用顺序法()。

    A. 必然快

    B. 必然慢

    C. 相等

    D. 不确定

    【答案】D

    5.28

    • 顺序查找法适合于存储结构为()的线性表。

    A. 散列存储

    B. 顺序存储或链式存储

    C. 压缩存储

    D. 索引存储

    【答案】B

    5.29

    • 关于sleep()和wait(),以下描述错误的一项是( )

    A. sleep是线程类(Thread)的方法,wait是Object类的方法;

    B. sleep不释放对象锁,wait放弃对象锁;

    C. sleep暂停线程、但监控状态仍然保持,结束后会自动恢复;

    D. wait后进入等待锁定池,只有针对此对象发出notify方法后获得对象锁进入运行状态。

    【答案】D

    【解析】sleep是线程类(Thread)的方法,导致此线程暂停执行指定时间,给执行机会给其他线程, 但是监控状态依然保持,到时候会自动恢复。调用sleep不会释放对象锁。wait是Object类的方法,对此对象调用wait方法导致本线程放弃对象锁,进入等待此对象的等待锁定池,只有针对此对象发出notify方法(或notifyAll)后本线程才进入对象锁定池准备,获得对象锁进入运行状态

    5.30

    • 方法resume()负责恢复哪些线程的执行( )

    A. 通过调用stop()方法而停止的线程。

    B. 通过调用sleep()方法而停止的线程。

    C. 通过调用wait()方法而停止的线程。

    D. 通过调用suspend()方法而停止的线程。

    【答案】D

    【解析】Suspend可以挂起一个线程,就是把这个线程暂停了,它占着资源但不运行,用Resume是恢复挂起的线程,

    让这个线程继续执行下去。

    5.31

    • 二分查找过程所对应的判定树是一棵()。

    A. 最小生成树

    B. 平衡二叉树

    C. 完全二叉树

    D. 满二叉树

    【答案】B

    展开全文
  • 如何检测两组数据是否同分布?

    千次阅读 2021-09-30 00:33:12
    ↑↑↑关注后"星标"Datawhale每日干货&每月组队学习,不错过Datawhale干货作者:刘洋,中科院大学,Datawhale成员个模型中,很重要的技巧就是要确定训...

    ↑↑↑关注后"星标"Datawhale

    每日干货 & 每月组队学习,不错过

     Datawhale干货 

    作者:刘洋,中科院大学,Datawhale成员

    一个模型中,很重要的技巧就是要确定训练集与测试集特征是否同分布,这也是机器学习的一个很重要的假设,但很多时候我们默认这个道理,却很难有方法来保证数据同分布。

    T检验(Binary)

    T检验是一种适合小样本的统计分析方法,通过比较不同数据的均值,研究两组数据是否存在差异。

    我们参考《python科学计算第二版》:

    https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/sv5QipNA6QPWgDC3R8DuAQ

    单样本t检验

    单样本t检验是样本均值与总体均值的比较问题。其中总体服从正态分布,从正态总体中抽样得到n个个体组成抽样样本,计算抽样样本均值和标准差,判断总体均值与抽样样本均值是否相同。

    from scipy.stats import ttest_1samp
    import numpy as np
    
    print("Null Hypothesis:μ=μ0=30,α=0.05")
    ages = [25,36,15,40,28,31,32,30,29,28,27,33,35]
    t = (np.mean(ages)-30)/(np.std(ages,ddof=1)/np.sqrt(len(ages)))
    
    ttest,pval = ttest_1samp(ages,30)
    print(t,ttest)
    if pval < 0.05:
    	print("Reject the Null Hypothesis.")
    else:
    	print("Accept the Null Hypothesis.")

    配对样本t检验

    配对样本主要是同一实验前后效果的比较,或者同一样品用两种方法检验结果的比较。可以把配对样本的差作为变量,差值的总体均数为0,服从正态分布。

    from scipy.stats import ttest_rel
    s1 = [620.16,866.50,641.22,812.91,738.96,899.38,760.78,694.95,749.92,793.94]
    s2 = [958.47,838.42,788.90,815.20,783.17,910.92,758.49,870.80,826.26,805.48]
    print("Null Hypothesis:mean(s1)=mean(s2),α=0.05")
    ttest,pval = ttest_rel(s1,s2)
    if pval < 0.05:
    	print("Reject the Null Hypothesis.")
    else:
    	print("Accept the Null Hypothesis.")

    独立样本t检验

    对于第三个问题独立样本t检验,比较两个样本所代表的两个总体均值是否存在显著差异。除了要求样本来自正态分布,还要求两个样本的总体方差相等“方差齐性”。

    from scipy.stats import ttest_ind,norm,f
    import numpy as np
    def ftest(s1,s2):
    	'''F检验样本总体方差是否相等'''
    	print("Null Hypothesis:var(s1)=var(s2),α=0.05")
    	F = np.var(s1)/np.var(s2)
    	v1 = len(s1) - 1
    	v2 = len(s2) - 1
    	p_val = 1 - 2*abs(0.5-f.cdf(F,v1,v2))
    	print(p_val)
    	if p_val < 0.05:
    		print("Reject the Null Hypothesis.")
    		equal_var=False
    	else:
    		print("Accept the Null Hypothesis.")
    	 	equal_var=True
    	return equal_var
    	 	
    def ttest_ind_fun(s1,s2):
    	'''t检验独立样本所代表的两个总体均值是否存在差异'''
    	equal_var = ftest(s1,s2)
    	print("Null Hypothesis:mean(s1)=mean(s2),α=0.05")
    	ttest,pval = ttest_ind(s1,s2,equal_var=equal_var)
    	if pval < 0.05:
    		print("Reject the Null Hypothesis.")
    	else:
    		print("Accept the Null Hypothesis.")
    	return pval
    
    np.random.seed(42)
    s1 = norm.rvs(loc=1,scale=1.0,size=20)
    s2 = norm.rvs(loc=1.5,scale=0.5,size=20)
    s3 = norm.rvs(loc=1.5,scale=0.5,size=25)
    
    ttest_ind_fun(s1,s2)
    ttest_ind_fun(s2,s3)

    KS检验(Numerical)

    KS检验是一种统计检验方法,其通过比较两样本的频率分布、或者一个样本的频率分布与特定理论分布(如正态分布)之间的差异大小来推论两个分布是否来自同一分布。

    KS检验与t-检验之类的其他方法不同是KS检验不需要知道数据的分布情况,可以算是一种非参数检验方法。当然这样方便的代价就是当检验的数据分布符合特定的分布事,KS检验的灵敏度没有相应的检验来的高。在样本量比较小的时候,KS检验最为非参数检验在分析两组数据之间是否不同时相当常用。

    PS:t-检验的假设是检验的数据满足正态分布,否则对于小样本不满足正态分布的数据用t-检验就会造成较大的偏差,虽然对于大样本不满足正态分布的数据而言t-检验还是相当精确有效的手段。

    判断是否符合正态分布

    KS函数说明文档:https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.kstest.html

    import numpy as np
    import pandas as pd
    from scipy import stats
    
    data = [87,77,92,68,80,78,84,77,81,80,80,77,92,86,
           76,80,81,75,77,72,81,72,84,86,80,68,77,87,
           76,77,78,92,75,80,78]
    # 样本数据,35位健康男性在未进食之前的血糖浓度
    
    df = pd.DataFrame(data, columns =['value'])
    e = df['value'].mean()  # 计算均值
    std = df['value'].std()  # 计算标准差
    stats.kstest(df['value'], 'norm', (e, std))
    # .kstest方法:KS检验,参数分别是:待检验的数据,检验方法(这里设置成norm正态分布),均值与标准差
    # 结果返回两个值:statistic → D值,pvalue → P值
    # p值大于0.05,为正态分布
    
    #KstestResult(statistic=0.1590180704824098, pvalue=0.3066297258358026)
    # p值大于0.05,不拒绝原假设,因此上面的数据服从正态分布。
    #且一般情况下, stats.kstest(df[‘value’], ‘norm’, (u, std))一条语句就得到p值的结果。
    
    #from scipy import stats
    #stats.kstest(rvs, cdf, args=(),…)
    #其中rvs可以是数组、生成数组的函数或者scipy.stats里面理论分布的名字
    #cdf可以与rvs一致。若rvs和cdf同是数组,则是比较两数组的分布是否一致;一个是数组,另一个是理论分布的名字,则是看样本是否否和理论分布
    #args是一个元组,当rvs或者cds是理论分布时,这个参数用来存储理论分布的参数,如正态分布的mean和std。

    KL Divergence

    KL 散度是一种衡量两个概率分布的匹配程度的指标,两个分布差异越大,KL散度越大。注意如果要查看测试集特征是否与训练集相同,P代表训练集,Q代表测试集,这个公式对于P和Q并不是对称的。

    计算公式为:

    对于离散分布 

    对于连续分布

    import numpy as np
    import scipy.stats
    
    # 随机生成两个离散型分布
    x = [np.random.randint(1, 11) for i in range(10)]
    print(x)
    print(np.sum(x))
    px = x / np.sum(x)
    print(px)
    y = [np.random.randint(1, 11) for i in range(10)]
    print(y)
    print(np.sum(y))
    py = y / np.sum(y)
    print(py)
    
    # 利用scipy API进行计算
    # scipy计算函数可以处理非归一化情况,因此这里使用
    # scipy.stats.entropy(x, y)或scipy.stats.entropy(px, py)均可
    KL = scipy.stats.entropy(x, y) 
    print(KL)
    
    # 实现
    KL = 0.0
    for i in range(10):
        KL += px[i] * np.log(px[i] / py[i])
        # print(str(px[i]) + ' ' + str(py[i]) + ' ' + str(px[i] * np.log(px[i] / py[i])))
    
    print(KL)

    机器学习模型检测

    用特征训练模型来分辨测试集与测试集,若模型效果好的话代表训练集和测试集存在较大差异,否则代表训练集和测试集分布比较相似。

    具体做法是构建一个二分类模型,对训练集打上0,测试集打上1,然后shuffle一下进行训练,若分类效果好,代表训练集和测试集区分度很高,那么分布差异就较大。

    c985eadda39fa52aba35dfc3624b0f55.png

    整理不易,三连

    展开全文
  • 、引论学习数据结构和算法需要离散数学以及程序设计个一些概念作为支柱,我认为算法的设计更像是数学模型的搭建,我们需要在搭建过程中考虑运行性能和近乎所有会出现的状况。以下的笔记主要出自《数据结构与算法...
  • values:一组数据(ndarray类型) index:相关的数据索引标签 1)Series的创建 两种创建方式: (1) 由列表或numpy数组创建,默认索引为0到N-1的整数型索引 由列表创建 l = [1,2,3,4,5] s = Series(l, index=list('...
  • 文章目录每日练9.19.29.39.49.59.69.79.89.99.109.119.129.139.149.159.169.179.189.199.209.219.229.239.249.259.269.279.89.299.30 每日练 9.1 链表不具有的特点是() A. 插入和删除不需要移动元素 B. 可随机...
  • 7.查找 ..."在查找表中”的数据元素,此类表为动态查找表。 7.1.2评价查找算法 查找算法的评价指标: 关键字的平均比较次数,也称平均查找长度ASL(Average Search Length) (关键字比较次数的期望值) n
  • 数据湖入门

    2021-02-19 13:27:11
    数据湖概念[了解] 1.1 企业的数据困扰 困扰:互联网的兴起和数据孤岛 困扰二:非结构化数据 困扰三:保留原始数据 补充:什么是结构化? 结构化数据 非结构化数据 半结构化.
  • 基于大数据分析山东2020年高考难度和选科要求() 又是一年高考的时候。考完试,最焦虑的就是等成绩。等出来成绩后,最头疼的就是填报志愿。选学校,选专业、选省份、选城市……如果考的分数不够,报的学校太好...
  • 海量数据去重

    2021-05-07 01:33:43
    前提通过id去重,而不是整条数据id由SnowFlake算法生成,参考之前的文章SnowFlake算法在数据链路中的应用需求在实时平台的各个环节中,由于网络或其他问题,有时会出现数据重复的情况,本质上是由于at least once...
  • 文章目录每日练7.17.27.37.47.57.67.87.77.97.107.117.127.137.147.157.167.177.187.197.207.217.227.237.247.257.267.277.287.297.307.31 每日练 7.1 以下叙述中,正确的是()。 A. 只要无向连通图中没有...
  • 37 38 //行数据转换成数 39 String[] custArray = line.split("\\|");40 insertCustInfo(custArray,"SQLLOADER");41 Thread.sleep(10);42 }43 } catch(IOException e) {44 e.printStackTrace();45 } catch...
  • 最近看了篇文章,发现GDP的对比图,具体展现形式是这样的。 看着这个,琢磨了下,用Excel做出了类似的对比图 下面做下简要的叙述。 使用过程 数据准备 首先通过百度获取相关的2016年与2020年全球前十的...
  • 我们接着上次分享给大家的两篇文章:Python数据分析之numpy学习()和Python数据分析之numpy学习(二),继续讨论使用Python中的pandas模块进行数据分。在接下来的两期pandas介绍中将学习到如下8块内容:1、数据结构...
  • 简单工厂模式是由个工厂对象决定创建出哪种产品类的实例。简单工厂模式是工厂模式家族中最简单实用的模式,可以理解为是不同工厂模式的个特殊实现。 2.简单说明什么是递归?什么情况会使用?并使用java实现...
  • 主要介绍pandas的基础数据结构,series和dataframe。以及介绍了单表下如何快速的增删改查定位数据
  • 回复答案:好像光会用matlab还...A=[...1 213.11 70.418 171.99 41.0512 304.47 102.31 185.01 55.8913 381.54 109.55 221.84 68.4264 411.84 122.72 239.19 63.485 512.6 138.27 236.27 45.0876 405.53 145.49 2...
  • 数据结构(本)形考作业4答案.doc(126.5 KB, 下载次数: 23, 售价: 3.00 元)2020-10-10 21:12 上传点击文件名下载附件售价: 3.00 元[记录]下载积分: 威望 20 , 金钱 2、单项选择题(每小题2分,共40分)题目1线性表...
  • log %s‘ % (‘m1‘, ‘unemp‘)) 在探索式数据分析中,同时观察一组变量的散布图是很有意义的,这也被称为散布图矩阵(scatter plot matrix)。纯手工创建这样的图表很费工夫,所以pandas提供了一个能从DataFrame...
  • 数据结构复习(排序)

    千次阅读 2021-06-02 22:09:34
    线性表采用折半查找,该线性表必须( )。 A 元素按值有序排列 B 采用顺序结构 C 元素按值有序排列,并且采用顺序存储结构 D 元素按值有序排列,并且采用链式存储结构 冒泡排序某趟移动记录次数很少,说明( )
  • 数据结构

    2021-05-21 02:12:50
    本书遵循数据结构课程教学大纲的要求,从内容上分为九章,介绍了包括线性表、栈、队列、串、数组、树、图等在内的内容,详细讨论了查找和排序的各种实现方法和算法,阐明了各种数据结构的内在逻辑关系及其在计算机中...
  • redis 冷数据存储格式

    2020-12-20 06:41:35
    92题一般来说,建立INDEX有以下益处:提高查询效率;...其他日常维护的消耗:恢复的影响,重组的影响。需要建立索引的情况:为了建立分区数据库的PATITION INDEX必须建立; 为了保证数据约束性需要而...
  • 1 public classQuartzManager {2 private static SchedulerFactory gSchedulerFactory = new StdSchedulerFactory... //创建个SchedulerFactory工厂实例3 private static String JOB_GROUP_NAME = "FH_JOBGROUP_N...
  • 01_数据类型简介 学习目标 了解 Numpy 的特点 知道 pandas 中的数据类型 1.1 pandas 数据类型简介 1.1.1 Numpy 介绍 Numpy(Numerical Python)是个开源的Python科学计算库,用于快速处理任意维度的数组。 ...
  • python数据处理基础知识完成获取72元(需用券)去购买 >这周完成了一张表单,重点碰到以下问题:1、freemaker获取年份的type值取year,类型直接为Long,传至后台和获取数据不需要转换;2、freemaker获取日期type值...
  • 1 用某种排序方法线性表(25,84,21,47,15,27,68,35,20)进行排序时,元素序列的变化情况如下: ⑴25,84,21,47,15,27,68,35,20 ⑵20,15,21,25,47,27,68,35,...一组待排序序列为(46,79,56,38
  • 误差分析与数据处理

    2021-07-25 04:48:59
    《误差分析与数据处理》是2010年8月1日清华大学出版社出版的图书,作者是吴石林、张玘。本书可作为高等院校测控技术与仪器专业及其他相关专业的本科生教材,同时可供各类科技人员和工程技术人员参考。[1]书名误差...
  • MicroSoft COCO数据

    2020-12-23 02:33:12
    安装错误no such file or directory: 'pycocotools/_mask.c'解决办法: pip install cython评价标准COCO数据集介绍COCO数据集具有5种标签类型, 分别为: 目标检测, 关键点检测, 物体分割, 多边形分割 以及 图像描述....
  • EEG 数据集整理

    2021-09-13 20:19:30
    数据规模 时长 N 2 6 N Y 268 train; 293 test 3.5s Birbaumer, N., Flor, H., Ghanayim, N., Hinterberger, T., Iverson, I., Taub, E., Kotchoubey, B., Kübler, A., & Perelmouter, J

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 64,716
精华内容 25,886
关键字:

47对一组数据84