【四旋翼飞行器】76小时吃透四轴算法!史上最强软硬结合实战项目,👉戳此立抢👈

为何基于决策树的模型经久不衰?何时使用基于决策树的模型?

论智 2018-10-09 08:55 次阅读
编者按:保险业数据科学家Alan Marazzi用R语言展示了基于决策树的模型的强大和简洁之处。 这是一篇基于决策树的模型的简明介绍,尽量使用非技术术语,同时也给出了模型的R语言实现。由于这篇文章已经够长了,因此我们省略了一些代码。不过别担心,你可以在配套的GitHub仓库中找到完整代码:https://github.com/alanmarazzi/trees-forest 为何基于决策树的模型经久不衰 决策树是一组通常用于分类的机器学习算法。因为它们简单有效,所以也是初学者首先学习的算法之一。你大概很难在最新的机器学习论文和研究上看到它们,但在真实世界项目中,基于决策树的模型仍被广泛使用。 之所以得到如此广泛的使用,主要原因之一是它们的简单性和可解释性。下面是一棵预测天气是否多云的简单决策树。 这一方法让我们可以通过传入数据预测某个变量,不过,大概更重要的是我们可以推断预测因子之间的关系。这意味着我们可以从底部开始,看看哪些因素导致了多云。 比如,如果风很小,看起来要下雨了,那说明是多云。对简单模型而言,这些规则可以被人类所学习和应用,或者我们可以生成一份清单以辅助决策过程。通过可视化决策树,我们可以理解机器是如何工作的,为何将某些日子分类为多云,将另一些日子分类为非多云。 尽管这看起来挺微不足道的,但在许多情形下,我们需要知道模型为何做出某些预测。考虑一个预测是否接受胸痛患者的模型。在测试了许多高级模型之后,医生想要搞清楚算法为什么让某些处以危险之中的患者回家。所以他们在数据上运行了一个基于决策树的模型,结果发现算法认为患有哮喘的胸痛病人风险很小。 这是一个巨大的错误。医生非常清楚哮喘和胸痛必须立刻治疗,这意味着哮喘和胸痛的病人会马上得到收治。你发现问题所在了吧?用于建模的数据认为这类病人风险很小,是因为所有这类病人都得到了治疗,所以极少有人在此之后死亡。 何时使用基于决策树的模型 如前所述,当可解释性很重要时,决策树非常好,即使它可能仅用于理解预测哪里出错了。实际上,基于决策树的模型可以变得非常复杂,在损失可解释性的同时,增加准确性。这里存在着一个权衡。 另一个使用决策树的理由是它们非常容易理解和解释。在有一些强预测因子的情形下,决策树可以用来创建可以同时为机器和人类使用的模型。我刚想到的一个例子是预测顾客是否最终会购买某物的决策树模型。 评测也是这些方法大放异彩之处:你很快会发现,用于分类时,即使是相当简单的基于决策树的模型,也很难被大幅超过。我个人经常在要处理的数据集上运行随机森林(后文会介绍这一算法),接着尝试战胜它。 R语言配置 在开始之前,你可能需要先配置一下R环境。 安装如下包: trees_packages <- c("FFTrees",    "evtree",    "party",    "randomForest",    "intubate",    "dplyr")install.packages(trees_packages) 这些是在R语言中使用基于决策树的模型和数据处理的主要包,但它们不是唯一的。任何你打算使用的基于决策树的模型,几乎都有几十个包可以用,不信的话可以上Crantastic搜索一番。 现在是植树时刻!我决定使用Titanic数据集,机器学习社区最著名的数据集之一。你可以从Kaggle(c/titanic)或GitHub(alanmarazzi/trees-forest)获取这一数据集。我将直接从清洗数据和建模开始讲起,如果你在数据下载、加载上需要帮助,或者缺乏头绪,可以参考我之前的文章Data Science in Minutes或者GitHub仓库中的完整代码。 预备数据 首先,我们看下要处理的数据是什么样子的: 我真心不喜欢有大写字母姓名的数据集,很幸运,我们可以用tolower()函数,一行代码转换为小写字母: names(titanic) <- tolower(names(titanic)) 接着,将sex和embarked变量转换为因子(类别变量): titanic$sex <- as.factor(titanic$sex)titanic$embarked <- as.factor(titanic$embarked) 建模时最重要的步骤之一是处理缺失值(NA)。许多R模型可以自动处理缺失值,但大多数只不过是直接移除包含缺失值的观测。这意味着可供模型学习的训练数据变少了,这几乎一定会导致准确率下降。 有各种填充NA的技术:填充均值、中位数、众数,或使用一个模型预测它们的值。我们的例子将使用线性回归替换数据集中年龄变量的缺失值。 乍看起来这个想法有点吓人,有点怪异,你可能会想:“你说的是,为了改进我的模型,我应该使用另一个模型?!”但其实并没有看起来这么难,特别是如果我们使用线性回归的话。 首先让我们看下年龄变量中有多少NA: mean(is.na(titanic$age))[1] 0.1986532 将近20%的乘客没有年龄记录,这意味着如果我们不替换缺失值,直接在数据集上运行模型的话,我们的训练数据只有714项,而不是891项。 是时候在数据上跑下线性回归了: age_prediction <- lm(age ~ survived + pclass + fare, data = titanic)summary(age_prediction) 我们干了什么?我们告诉R求解如下线性等式,找出恰当的α、βn的值。 age = α + β1∗survived + β2∗pclass + β3∗fare 然后我们在创建的模型上调用summary()函数,查看线性回归的结果。R会给出一些统计数据,我们需要查看这些数据以了解数据的情况: Call:lm(formula = age ~ survived + pclass + fare, data = titanic)Residuals:    Min      1Q  Median      3Q     Max -37.457  -8.523  -1.128   8.060  47.505 Coefficients:            Estimate Std. Error t value Pr(>|t|)    (Intercept) 54.14124    2.04430  26.484  < 2e-16 ***survived    -6.81709    1.06801  -6.383 3.14e-10 ***pclass      -9.12040    0.72469 -12.585  < 2e-16 ***fare        -0.03671    0.01112  -3.302  0.00101 ** ---Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Residual standard error: 13.03 on 710 degrees of freedom  (177 observations deleted due to missingness)Multiple R-squared:  0.1993,    Adjusted R-squared:  0.1959 F-statistic:  58.9 on 3 and 710 DF,  p-value: < 2.2e-16 上面第一行(Call)提示我们是哪个模型产生了这一结果,第二行显示了残差,之后是系数。这里我们可以查看系数的估计值,它们的标准差,t值和p值。之后是一些其他统计数据。我们看到R实际上移除了含NA的数据(177 observations deleted due to missingness)。 现在我们可以使用这个模型来填充NA了。我们使用predict()函数: titanic$age[is.na(titanic$age)] <- predict(age_prediction,    newdata = titanic[is.na(titanic$age),]) 逻辑回归基准 是否幸存这样的二元分类问题,逻辑回归很难战胜。我们将使用逻辑回归预测泰坦尼克幸存者,并将这一结果作为基准。 别担心,在R中进行逻辑回归非常直截了当。我们引入dplyr和intubate库,然后调用glm()函数运行逻辑回归。glm()接受三个参数,predictors为预测因子,例如年龄、舱等,response为结果变量,这里我们传入survived,family指定返回结果的类别,这里我们传入binomial。 library(dplyr) # 数据处理library(intubate) # 建模工作流# btbt_glb是 %>% 版本的glm函数logi <- titanic %>%    select(survived, pclass, sex, age, sibsp) %>%    ntbt_glm(survived ~ ., family = binomial)summary(logi) 下面让我们查看下逻辑回归模型做出的预测: # 收集训练数据上的预测logi_pred <- predict(logi, type = "response")# 预测值在0和1之间,我们将其转换为`survived`或`not`survivors_logi <- rep(0, nrow(titanic))survivors_logi[logi_pred > .5] <- 1# 这将成为我们的基准table(model = survivors_logi, real = titanic$survived) 上面的混淆矩阵给出了模型在训练数据上的结果:预测572人死亡(0),319人幸存(1)。矩阵的对角线表明,480项和250项预测正确,而预测死亡的92人实际上幸存了,预测幸存的69人实际上未能幸存。 对这样开箱即用的模型而言,82%的预测精确度已经相当不错了。但是我们想在未见数据上测试一下,所以让我们载入测试集,试下模型在测试集上的效果。 test <- read.csv(paste0("https://raw.githubusercontent.com/",    "alanmarazzi/trees-forest/master/data/test.csv"),    stringsAsFactors = FALSE,    na.strings = "")# 和训练集一样,清洗下数据names(test) <- tolower(names(test))test$sex <- as.factor(test$sex) 下面在测试数据上预测幸存率: test_logi_pred <- predict(logi, test, type = "response")surv_test_logi <- data.frame(PassengerId = test$passengerid,    Survived = rep(0, nrow(test)))surv_test_logi$Survived[test_logi_pred > .5] <- 1write.csv(surv_test_logi, "results/logi.csv", row.names = FALSE) 我们将结果保存为csv,因为测试数据没有标签,我们并不知道预测是否正确。我们需要将结果上传到Kaggle以查看结果。最终模型做出了77.5%的正确预测。 快速和低成本决策树 终于可以开始植树了!我们将尝试的第一个模型是快速和低成本决策树。这基本上是最简单的模型。我们将使用R的FFTrees包。 # 临时复制下数据集,因为FFTrees包里也包含titanic变量titanicc <- titaniclibrary(FFTrees)titanic <- titaniccrm(titanicc) 载入包,我们只需在选中的变量上应用FFTrees。 fftitanic <- titanic %>%    select(age, pclass, sex, sibsp, fare, survived) %>%    ntbt(FFTrees, survived ~ .) 模型需要跑一会儿,因为要训练和测试不止一棵FFTree。最终得到的结果是一个FFTree对象,包含了所有测试过的FFTree: fftitanic[1] "An FFTrees object containing 8 trees using 4 predictors {sex,pclass,fare,age}"[1] "FFTrees AUC: (Train = 0.84, Test = --)"[1] "My favorite training tree is #5, here is how it performed:"                        trainn                      891.00p(Correct)               0.79Hit Rate (HR)            0.70False Alarm Rate (FAR)   0.16d-prime                  1.52 我们看到,算法使用最多4个预测因子测试了8棵树,表现最佳的是5号树。接着我们看到了这棵树的一些统计数据。这些输出很有帮助,但可视化方法能够更好地帮助我们理解发生了什么: plot(fftitanic,     main = "Titanic", decision.names = c("Not Survived", "Survived")) 这一张图中有大量信息,从上往下依次为:观测数目、分类数目、决策树、诊断数据。让我们重点关注决策树。 决策树的第一个节点考虑sex变量:如果是女性(sex != male),我们将直接退出决策树,预测幸存。粗暴,但相当有效。如果是男性,将通过第二个节点pclass。这里,如果是三等舱,我们将退出决策树,预测死亡。接着,如果船费超过£ 26.96(fare),预测幸存。最后一个节点考虑的是age(年龄):如果年龄大于21.35岁,预测死亡。 在图表的Performance(表现)区域,我们最关心左侧的混淆矩阵,我们可以对比之前逻辑回归得到的混淆矩阵。 此外,我们也可以查看下右侧的ROC曲线。FFTrees包在数据上自动运行逻辑回归和CART(另一种基于决策树的模型),以供比较。仔细看图,我们看到,代表逻辑回归的圆圈基本上完全被5号树的圆圈盖住了,意味着这两个模型表现相当。 现在我们分类测试数据,并提交结果至Kaggle。如同我之前说过的那样,这些决策树极为简单。我上面解释决策树如何工作时,解释每一个节点的句子中都有“如果”,这意味着我们可以依照同样的结构创建一个基于清单的分类器,或者,我们甚至可以记住这些规则,然后手工分类。 ffpred <- ifelse(test$sex != "male", 1,                 ifelse(test$pclass > 2, 0,                        ifelse(test$fare < 26.96, 0,                               ifelse(test$age >= 21.36, 0, 1))))ffpred[is.na(ffpred)] <- 0 只需4个嵌套的ifelse语句,我们就可以分类整个数据集。我们只有2个NA,所以我决定将它们分类为“未幸存”。接着我们只需将csv格式的结果上传到Kaggle,看看模型表现如何。 我们的4个if-else语句表现只比基准差了1%. 考虑到模型的简单性,这是非常出色的成绩。 聚会时分 party包使用条件推理树,比FFTrees更复杂的决策树。简单来说,条件推理树在决定分割节点时,不仅考虑重要性,还考虑数据分布。虽然条件推理树更复杂,但使用起来很简单,加载包后只需使用ctree函数即可创建决策树。 library(party)partyTitanic <- titanic %>%    select(age, pclass, sex, sibsp, fare, survived) %>%    ntbt(ctree, as.factor(survived) ~ .) 运行模型后,我们可以调用这个包的绘图函数可视化得到的决策树,plot(ctree_relust)。这里我们不在乎其他花里胡哨的东西,只在意最终得到的决策树。所以会使用一些可选参数让输出整洁一点。 plot(partyTitanic, main = "Titanic prediction", type = "simple",     inner_panel = node_inner(partyTitanic,                              pval = FALSE),     terminal_panel = node_terminal(partyTitanic,                                    abbreviate = TRUE,                                    digits = 1,                                    fill = "white")) 不幸的是较大的树占用更多空间,如果再加上一些节点,图就基本上看不清了。将这棵树和上面那棵FFTree比较一下,我们看到现在这棵树更复杂:之前我们直接预测每个男性死亡,现在这个模型尝试将男性分为多种情况。 增加的复杂性降低了15%的训练误差。和上面的FFTree相比,这是一项改进。 train_party <- Predict(partyTitanic)table(tree = train_party, real = titanic$survived) 不过,很遗憾,我们下面将学到机器学习最重要的一课。事实上,在测试集上的分类正确率只有73.7%! 你也许会问,这怎么可能?我们刚看到的是过拟合现象。模型考虑的一些变量最终看来其实是噪声。结果在训练集上改善了,但在未见数据上的表现变差了。有多种应对这一问题的方式,比如剪枝。剪枝的意思是削减分支,比如通过降低树的最大深度达成。剪枝搭配交叉验证,很可能改善测试数据上的结果。 集成模型 目前为止,我们开发的都是单个学习者,意味着我们通过一个模型找到解决方案。另一系列的机器学习算法是集成,通过许多所谓的弱小学习者创建的模型。背后的理论是通过使用许多学习者(在我们的例子中是决策树),结合他们的选择,我们能得到良好的结果。 集成模型因模型创建方法、组合结果方式的不同而不同。可能看起来有点杂乱,但部分集成方法通常是开箱即用的,是一个很好的优化结果的选择。 集成的目的是为了减少方差。比如,我们上面在训练集上得到了良好的结果,但在测试集上的误差率却很大。如果我们有不同的训练集,不同的模型,那么各自会有不同的偏差,集成之后就能得到更好的结果。 我们将查看三种不同的集成算法:Bagging、随机森林、Boosting。 Bagging bagging的主要思路相当简单:如果我们在不同的训练集上训练许多较大的决策树,我们将得到许多高方差、低偏差的模型。平均每棵树的预测,我们就能得到方差和偏差相对较低的分类。 你可能已经发现一个问题,我们并没有许多训练集。为了应对这一问题,我们通过bootstrap方法创建这些训练集。bootstrap不过是一种有放回的重复取样方法。 x <- rnorm(100) # 生成随机向量# 定义固定取样函数boot_x <- function(x, size) {    sample(x, size, replace = TRUE)}# 循环取样,直到取满需要的样本bootstrapping <- function(x, reps, size) {    y <- list()    for (i in seq_len(reps)) {        y[[i]] <- boot_x(x, size)    }    y}# 结果是一个列表z <- bootstrapping(x, 500, 20) 为了在泰坦尼克数据上运行bagging,我们可以使用randomForest包。这是因为bagging和随机森林差不多,唯一的区别是在创建决策树时考虑多少预测因子。bagging中,我们考虑数据集中的每个预测因子,我们可以通过设置mtry参数做到这一点。 library(randomForest)# 如果你希望重现结果,别忘了设置一样的随机数种子set.seed(123)# 创建bagging模型titanic_bag <- titanic %>%    select(survived, age, pclass, sex, sibsp, fare, parch) %>%    ntbt_randomForest(as.factor(survived) ~ ., mtry = 6) 注意,这里我们将survived作为因子(as.factor)传入,这样就可以使函数创建分类树,而不是回归树(是的,决策树同样可以用于回归)。 bagging默认创建500棵树,如果你想要增加更多树,可以传入ntree参数,设定一个更高的数值。 上面的代码有一个问题,直接跳过NA,不作预测。为了在避免进一步特征工程的前提下,生成符合Kaggle要求的结果,我决定将测试集中的NA用中位数替换。不幸的是,这个问题限制了预测能力,结果是66.5%的正确预测率。 随机森林 随机森林是最著名的机器学习算法之一,原因是它开箱即用的效果好到没道理。随机森林几乎和bagging一样,只不过使用较弱的学习者,创建决策树时只考虑有限数量的预测因子。 你可能会问使用全部预测因子和仅使用部分预测因子有什么区别。答案是使用所有预测因子时,在不同的bootstrap取样的数据集上创建决策树时,前两个分割很可能是一样的,因为创建决策树时考虑的是预测因子的重要性。所以使用bagging创建的500棵树会很相似,相应地,做出的预测也会很相似。 为了限制这一行为,我们使用随机森林,通过mtry参数限制预测因子。我们使用交叉验证决定“最好”的参数值,或者尝试一些经验法则,比如ncol(data)/3和sqrt(ncol(data)),不过在这个例子中我将mtry参数值定为3. 我建议你试验不同的值,然后查看发生了什么,以更好地理解随机森林算法。 set.seed(456)titanic_rf <- titanic %>%    select(survived, age, pclass, sex, sibsp, fare, parch) %>%    ntbt_randomForest(as.factor(survived) ~ ., mtry = 3, n.trees = 5000) 结果是74.6%,比bagging要好不少(译者注:这里的比较不是很公平,因为之前bagging只用了500棵树,而这里随机森林用了5000棵树,感兴趣的读者可以试下统一数量后再做比较),但还是比逻辑回归差一点。 随机森然有很多实现,也许我们可以尝试下party包,用下条件推断树构成的随机森林。 set.seed(415)titanic_rf_party <- titanic %>%    select(survived, age, pclass, sex, sibsp, fare, parch) %>%    ntbt(cforest, as.factor(survived) ~ .,            controls = cforest_unbiased(ntree = 5000, mtry = 3)) 如你所见,代码和之前差不多,但是结果是不是差不多呢? 这个结果差不多可以算是和逻辑回归打了个平手。 Boosting 和之前“奋发”学习的算法不同,boosting缓慢学习。实际上,为了避免过拟合,bagging和随机森林需要创建几千棵决策树,然后平均所有预测。boosting的方式与此不同:创建一棵树,结果基于第一棵树的结果创建另一棵树,以此类推。 boosting比其他基于决策树的算法学得慢,这有助于防止过拟合,但也要求我们小心地调整学习速度。从下面的代码中,我们能看到,boosting的参数和随机森林比较相似。 library(gbm)set.seed(999)titanic_boost <- titanic %>%    select(survived, age, pclass, sex, sibsp, fare, parch) %>%    ntbt(gbm, survived ~ .,         distribution = "bernoulli",         n.trees = 5000,         interaction.depth = 3) 我们使用gbm包中的同名函数(ntbt),并指定distribution参数为bernoulli(伯努利分布),告诉函数这是一个分类问题。n.trees参数指定创建决策树的数目,interaction.depth指定树的最大深度。 76%,和逻辑回归、随机森林、FFTrees的结果差不多。 我们学到了 复杂模型 > 简单模型 == 假。 逻辑回归和FFTrees很难战胜,而且我们只需一点特征工程就可以进一步提升简单模型的表现。 特征工程 > 复杂模型 == 真。 特征工程是一项艺术。它是数据科学家最强大的武器之一,我们可以使用特征工程改进预测。 创建模型 == 乐! 数据科学家很有意思。尽管R有时会让人有点沮丧,但总体而言学习R回报丰厚。如果你希望进一步了解细节,或者想要一个逐步的指南,你可以访问文章开头提到的GitHub仓库,里面有完整的代码。 如果你喜欢这篇文章,请留言、转发。你也可以订阅我的博客rdisorder.eu
原文标题:别迷失在森林里 文章出处:【微信号:jqr_AI,微信公众号:论智】欢迎添加关注!文章转载请注明出处。
收藏 人收藏
分享:

评论

相关推荐

TensorFlow回归:建立了一个模型来预测汽车的燃油效率。

该图显示数百个 epoch 后的验证错误几乎没有改善,甚至降低了。让我们更新 model.fit 方....
的头像 TensorFlow 发表于 01-16 14:09 119次 阅读
TensorFlow回归:建立了一个模型来预测汽车的燃油效率。

如何在Hadoop上运行这些深度学习工作

典型的深度学习工作流程:数据从各个终端(或其他来源)汇聚到数据湖中。数据科学家可以使用笔记本进行数据....
的头像 电子发烧友网工程师 发表于 01-15 16:29 209次 阅读
如何在Hadoop上运行这些深度学习工作

如何在原理图中不显示s2p文件名

嗨,有人知道如何在原理图中不显示s2p文件名吗? 谢谢你:FLJ于2014年3月14日上午7点14分 以上来自于谷歌翻译 &nbs...
发表于 01-15 14:38 12次 阅读
如何在原理图中不显示s2p文件名

中文自然语言处理的语料集合及其构建现状

本项目以采集公开的人民日报与参考消息为例进行历时的新闻采集为例, 公开网站中公开了1946-2003....
的头像 电子发烧友网工程师 发表于 01-15 10:38 490次 阅读
中文自然语言处理的语料集合及其构建现状

研究人员开发一种神经网络,能够读取食谱并生成烹饪完成后的熟食产品的图像

值得一提的是,与CUB和Oxford102数据集中的图像相比,recipe1M数据集中的图像质量较低....
的头像 人工智能 发表于 01-14 14:35 258次 阅读
研究人员开发一种神经网络,能够读取食谱并生成烹饪完成后的熟食产品的图像

腾讯在arxiv上发布论文详细介绍了数据集的构成以及评价标准等内容

在现有的视觉表示学习任务中,深度卷积神经网络(CNN)通常是针对带有单个标签的图像进行训练的,例如 ....
的头像 新智元 发表于 01-12 09:13 726次 阅读
腾讯在arxiv上发布论文详细介绍了数据集的构成以及评价标准等内容

北大语言计算与机器学习研究组推出一套全新中文分词工具包pkuseg

多领域分词。不同于以往的通用中文分词工具,此工具包同时致力于为不同领域的数据提供个性化的预训练模型。....
的头像 中国人工智能学会 发表于 01-11 15:55 441次 阅读
北大语言计算与机器学习研究组推出一套全新中文分词工具包pkuseg

在重症监护室,可以利用人工智能进行医疗监护

对于患有败血症的患者来说,控制输液量至关重要。败血症是一种全身感染、危及生命的综合征,败血症患者的血....
的头像 IEEE电气电子工程师学会 发表于 01-08 10:13 576次 阅读
在重症监护室,可以利用人工智能进行医疗监护

利用数据分析出,到底是谁站在《老友记》中的C位!

这张图给我的直观感受就是,编导均衡分配六个朋友的台词。 Ross 在前三季和最后一季的台词数最多,剧....
的头像 电子发烧友网工程师 发表于 01-07 11:23 209次 阅读
利用数据分析出,到底是谁站在《老友记》中的C位!

SkeletonNet:完整的人体三维位姿重建方法

骨旋转回归器(Bone rotation regressor)。首先,骨旋转回归器的任务是从输入图像....
的头像 将门创投 发表于 01-06 10:43 465次 阅读
SkeletonNet:完整的人体三维位姿重建方法

机器学习应用于PET扫描,全局监测大脑细微变化

一旦算法在1921次扫描中进行了训练,科学家们就会在两个新的数据集上对其进行测试,以评估其性能。 第....
的头像 新智元 发表于 01-06 09:49 427次 阅读
机器学习应用于PET扫描,全局监测大脑细微变化

广汽新能源数据监控数据解析

基本数据情况,保有量2.5万台,租赁车辆1.81万台,私人车辆6852台,占比约27.38%,所有的....
的头像 汽车电子设计 发表于 12-31 11:25 807次 阅读
广汽新能源数据监控数据解析

谷歌新研究使用连续拍摄的一对非模糊图像,能够合成运动模糊图像

他们设计的神经网络架构包括一个新的“线性预测”(line prediction)层,它会教一个系统从....
的头像 新智元 发表于 12-29 09:11 401次 阅读
谷歌新研究使用连续拍摄的一对非模糊图像,能够合成运动模糊图像

如何使用语义相关性与拓扑关系进行跨媒体检索算法概述

针对如何挖掘不同模态中具有相同语义的特征数据之间的内在相关性的问题,提出了一种基于语义相关性与拓扑关....
发表于 12-28 17:04 161次 阅读
如何使用语义相关性与拓扑关系进行跨媒体检索算法概述

如何使用局部近邻标准化和动态主元分析进行故障检测分析策略

针对工业过程的动态和多模态特性,提出一种基于局部近邻标准化( LNS)和动态主元分析(DPCA)相结....
发表于 12-28 16:41 74次 阅读
如何使用局部近邻标准化和动态主元分析进行故障检测分析策略

圣诞节来临,让AI写一支圣诞歌给你听

为了训练这个网络,研究团队采用MIDI格式的100首圣诞歌曲的训练数据集,包含每个音符的音高、长度和....
的头像 新智元 发表于 12-26 08:55 508次 阅读
圣诞节来临,让AI写一支圣诞歌给你听

阿里巴巴再度开放一份计算机集群的真实数据集(Alibaba Cluster Data V2018)

究竟什么是 DAG?离线计算任务,例如 Map Reduce、Hadoop、Spark、Flink ....
的头像 人工智能见闻 发表于 12-25 16:31 1473次 阅读
阿里巴巴再度开放一份计算机集群的真实数据集(Alibaba Cluster Data V2018)

各个平台各种行业的数据可视化分析工具大集合

Openlayers可能是所有地图库中可靠性最高的一个。虽然文档注释并不完善。且学习曲线非常陡峭,但....
的头像 悟空智能科技 发表于 12-25 14:36 385次 阅读
各个平台各种行业的数据可视化分析工具大集合

2018年最后10篇python热文,完美收官!

Clean Architecture in Python 旨在展示如何使用干净的 python 架构....
的头像 电子发烧友网工程师 发表于 12-25 10:38 564次 阅读
2018年最后10篇python热文,完美收官!

一种用于视频识别的SlowFast网络

如上图所示,SlowFast 网络的整体结构,包含 Slow pathway、Fast pathwa....
的头像 电子发烧友网工程师 发表于 12-25 10:29 458次 阅读
一种用于视频识别的SlowFast网络

详细介绍人工智能领域工作所要求的行业技能

您可以采用人工分类的标记数据,并通过机器学习扩展逻辑,或让计算机浏览未标记的数据并为您解决问题。您可....
的头像 将门创投 发表于 12-21 10:00 500次 阅读
详细介绍人工智能领域工作所要求的行业技能

Facebook 5年走过的坑,希望你能绕过去

如果研究院和产品团队脱节,研究院的那帮高智商的疯子们,什么事情都能做得出来。他们关注的问题,可能在学....
的头像 新智元 发表于 12-20 09:36 456次 阅读
Facebook 5年走过的坑,希望你能绕过去

数据并行化对神经网络训练有何影响?谷歌大脑进行了实证研究

神经网络训练硬件具备越来越强大的数据并行化处理能力。基于 GPU 或定制 ASIC 的专门系统辅以高....
的头像 人工智能 发表于 12-19 10:39 663次 阅读
数据并行化对神经网络训练有何影响?谷歌大脑进行了实证研究

清洗误标注的开发集和测试集样本

在进行误差分析时,你可能会注意到一些开发集的样本被误标注(mislabeled )了。此处的“误标注”指的是图像在使用算法处理前,已...
发表于 12-19 09:48 133次 阅读
清洗误标注的开发集和测试集样本

SDNet成为目前世界上唯一在CoQA领域内数据集上F1得分超过80%的模型,达到80.7%

CoQA 数据集旨在体现人类对话中的特质,追求答案的自然性和问答系统的鲁棒性。在CoQA 中,答案没....
的头像 新智元 发表于 12-18 09:07 585次 阅读
SDNet成为目前世界上唯一在CoQA领域内数据集上F1得分超过80%的模型,达到80.7%

建立开发集和测试集(总结)

• 被选择作为开发集和测试集的数据,应当与你未来计划获取并对其进行良好处理的数据有着相同的分布,而不一定和训练集的数据分布...
发表于 12-14 10:56 156次 阅读
建立开发集和测试集(总结)

何时修改开发集、测试集和指标

每当开展一个新项目时,我会尽快选好开发集和测试集,因为这可以帮团队制定一个明确的目标。 我通常会要求我的团队在不到一周...
发表于 12-14 10:54 129次 阅读
何时修改开发集、测试集和指标

通过开发集和度量指标加速迭代

对于当前面临的新问题,我们很难提前知道使用哪种方法会是最合适的,即使是一个经验丰富的机器学习研究员,通常也需要在尝试多种...
发表于 12-13 14:06 251次 阅读
通过开发集和度量指标加速迭代

数据科学高效工具:feature-selector,帮你快速完成特征选择

该方法以及之后的identify_low_importance都只适用于监督学习(即需要label,....
的头像 人工智能爱好者社区 发表于 12-13 09:56 418次 阅读
数据科学高效工具:feature-selector,帮你快速完成特征选择

健康医疗大数据的开发和应用的详细资料说明

健康医疗大数据是国家重要的基础性战略资源,它的开发与应用将带来医疗模式的深刻变革,有利于提高医疗卫生....
发表于 12-12 08:00 48次 阅读
健康医疗大数据的开发和应用的详细资料说明

开发集和测试集应该有多大?

开发集的规模应该尽可能的大,至少要能够区分出你所尝试的不同算法之间的性能差异。例如,如果分类器 A 的准确率为 90.0% ,而分...
发表于 12-10 10:23 215次 阅读
开发集和测试集应该有多大?

开发集和测试集应该服从同一分布

根据公司的核心市场分布情况,你将猫咪app的图像数据划分为“美国”、“中国”、“印度”和“其它地区”四个区域。在设立开发集和...
发表于 12-10 10:15 214次 阅读
开发集和测试集应该服从同一分布

变精度下不完备混合数据如何进行增量式属性约简

为了解决当不完备混合决策系统中数据动态增加时,静态属性约简方法的计算复杂度高的问题,提出变精度下不完....
发表于 12-07 16:12 45次 阅读
变精度下不完备混合数据如何进行增量式属性约简

使用热图,帮助您轻松了解数据集中的数据密度热图

非常适合查看散点图上的密集数据,但它们也可以在 Tableau 中以其他创造性的方式使用。让我们来看....
的头像 Tableau社区 发表于 12-07 13:53 525次 阅读
使用热图,帮助您轻松了解数据集中的数据密度热图

一种基于点云的Voxel(三维体素)特征的深度学习方法

特征学习网络的结构如下图所示,包括体素分块(Voxel Partition),点云分组(Groupi....
的头像 电子发烧友网工程师 发表于 12-07 09:32 682次 阅读
一种基于点云的Voxel(三维体素)特征的深度学习方法

什么是Talking Face Generation任务?

Demo 视频中使用的面部检测工具可以在 rsa 中找到。每张图像的一行中,将返回一个带5个关键点的....
的头像 电子发烧友网工程师 发表于 12-06 10:21 373次 阅读
什么是Talking Face Generation任务?

一年一度的NeurIPS又开始啦!寒冷的蒙特利尔将开启AI模式

对于机器学习来说,可视化是帮助我们理解算法和数据的有效手段。这一教程将概览目前的机器学习可视化方法,....
的头像 将门创投 发表于 12-04 09:35 554次 阅读
一年一度的NeurIPS又开始啦!寒冷的蒙特利尔将开启AI模式

构建简单数据管道,为什么tf.data要比feed_dict更好?

如果想减少GPU闲置时间,我们可以在管道末尾添加tf.data.Dataset.prefetch(b....
的头像 论智 发表于 12-03 09:08 575次 阅读
构建简单数据管道,为什么tf.data要比feed_dict更好?

基于句嵌入进行无监督文本总结的经验

有了词嵌入,只需对每句话包含的词嵌入进行加权求和,即可得到句嵌入。之所以要加权,是因为“and”、“....
的头像 论智 发表于 12-03 09:02 1172次 阅读
基于句嵌入进行无监督文本总结的经验

深度学习中开发集和测试集的定义

继续分析我们之前提到的猫咪图片的案例:现在你负责运营一个移动端 app,用户会向这个app 上传许多不同内容的图片。而你希望这个...
发表于 11-30 16:58 390次 阅读
深度学习中开发集和测试集的定义

Google:数据并行对神经网络训练用时的影响

具体来说,就是对于每个workload(模型、训练算法和数据集),如果我们在刚开始的时候增加batc....
的头像 论智 发表于 11-29 08:57 512次 阅读
Google:数据并行对神经网络训练用时的影响

博士生对“3D实时换脸”论文PyTorch实现改进版,使得每张图的推理时间只需0.27毫秒

这一改进版本帮助Pytorch改进了论文《所有姿态范围内的面部替换:3D解决方案》中提到的方法。该论....
的头像 新智元 发表于 11-26 09:21 693次 阅读
博士生对“3D实时换脸”论文PyTorch实现改进版,使得每张图的推理时间只需0.27毫秒

何恺明、Ross Girshick等大神深夜扔出“炸弹”:ImageNet预训练并非必须

ImageNet预训练方式加快了收敛速度,特别是在训练早期,但随机初始化训练可以在训练一段时间后赶上....
的头像 新智元 发表于 11-24 10:09 547次 阅读
何恺明、Ross Girshick等大神深夜扔出“炸弹”:ImageNet预训练并非必须

如何使用Spark进行并行FP-Growth算法优化及实现

为了进一步提高在Spark平台上的频繁模式增长(FP-Growth)算法执行效率,提出一种新的基于S....
发表于 11-23 19:17 58次 阅读
如何使用Spark进行并行FP-Growth算法优化及实现

如何使用科优先策略进行的植物图像识别系统介绍

植物识别领域的研究包括单一背景和自然环境植物图像识别,由于背景噪声的存在,自然环境植物图像识别难度更....
发表于 11-23 17:35 311次 阅读
如何使用科优先策略进行的植物图像识别系统介绍

吴恩达的斯坦福团队发布了一个X光诊断算法,基于深度神经网络

算法是用ChestX-ray14数据集来训练的,这是目前最大的X光数据库,有超过11万张正面胸片,来....
的头像 人工智能 发表于 11-23 09:40 629次 阅读
吴恩达的斯坦福团队发布了一个X光诊断算法,基于深度神经网络

如何使用孪生网络和重排序进行行人重识别

针对非重叠 多摄像头下的行人重识别( Re-ID)易受到光照、姿势及遮挡等影响和实验过程中存在图像错....
发表于 11-22 17:06 79次 阅读
如何使用孪生网络和重排序进行行人重识别

如何使用异构信息网络下进行特征向量中心性的排名研究

本文从异构网络角度来进行排名的研究,传统的排名研究是基于同构网络来进行的,然而在现实生活中,实际的网....
发表于 11-22 16:34 139次 阅读
如何使用异构信息网络下进行特征向量中心性的排名研究

以KaggleDays数据集为例,编码方法介绍

每个question_id对应一个具体问题(见question_text)。每个question_i....
的头像 论智 发表于 11-22 09:10 454次 阅读
以KaggleDays数据集为例,编码方法介绍

工业界“黄金标准”之称的全球人脸识别算法测试结果

FRVT通过上百亿次样本比对,对算法精度的评估可以到达百万分之一,也是当今全球规模最大、标准最严、竞....
的头像 新智元 发表于 11-21 09:25 1151次 阅读
工业界“黄金标准”之称的全球人脸识别算法测试结果

FAIR和谷歌大脑的合作研究,专注于“反向翻译”方法

如图1所示,sampling和beam+noise方法优于MAP方法,BLEU要高0.8-1.1。在....
的头像 新智元 发表于 11-21 09:20 584次 阅读
FAIR和谷歌大脑的合作研究,专注于“反向翻译”方法

图像生成领域的一个巨大进展,BigGAN的效果真的有那么好吗?

因此,如果快速浏览BigGAN生成的一系列图像,我们能从中发现不少图具有诡异的美感。比如模型在生成下....
的头像 论智 发表于 11-21 09:05 798次 阅读
图像生成领域的一个巨大进展,BigGAN的效果真的有那么好吗?

使用AI方面的知识来改进人类智能

在许多机器学习任务中,我们使用一种称为梯度下降的优化算法。这是机器实际学习的方式。理解这一算法的基础....
的头像 论智 发表于 11-21 09:01 545次 阅读
使用AI方面的知识来改进人类智能

如何使用雷达图序列进行海洋多维数据可视化的方法

传统的海洋水文数据可视化方法通常只对单一要素进行显示,而多维数据可视化方法通常只在二维平面坐标系上显....
发表于 11-20 17:28 57次 阅读
如何使用雷达图序列进行海洋多维数据可视化的方法

如何使用迁移学习与多标签平滑策略进行图像自动标注

针对图像标注数据集标签分布不平衡问题,提出了基于标签平滑策略的多标签平滑单元( MLSU)。MLSU....
发表于 11-20 16:31 128次 阅读
如何使用迁移学习与多标签平滑策略进行图像自动标注

如何通过组合沿方位角方向的切面来创建动画

在参数化表面的设置窗口中,Study 1/Solution 1(2) 可用作数据集,结果参数 the....
的头像 COMSOL 发表于 11-20 11:37 378次 阅读
如何通过组合沿方位角方向的切面来创建动画

一本100页的机器学习书籍近日大受好评

决策树是一个可用于做决策的非循环图。在图的每个分支节点中,检查特征向量的特定特征j。如果特征的值低于....
的头像 新智元 发表于 11-20 09:27 1088次 阅读
一本100页的机器学习书籍近日大受好评

传感器校正以什么为标准?

如果你需要一个传感器来检测可燃气体或者别的什么气体的话,搜索一通之后,你最终一定能够找到MQ系列的气体传感器。这种貌似...
发表于 11-09 15:50 71次 阅读
传感器校正以什么为标准?

谷歌的Dataset Search开放至今,为什么还搜不到我的数据集?

本月早些时候,谷歌推出了数据集搜索专用引擎 Dataset Search,这是一个建立在元数据上的搜索引擎,可以对网络上数千个存储库...
发表于 09-28 16:22 425次 阅读
谷歌的Dataset Search开放至今,为什么还搜不到我的数据集?