统计数据的思考(上)

《统计数据会说谎》阅读总结 培根曾经说过:“如果一个人以种种肯定的立论开始,他必将终止于各种怀疑;但如果他愿意抱着怀疑的态度开始,那么他必将获得肯定的结论。”我想对数据资料的判断和接收也是如此。虽然经验告诉我们“眼见为实”,但眼睛告诉我们的也许隐瞒了或者夸大了一部分事实。 启发:我们需要从数据挖掘出背后的真实原因,单纯的数据呈现,就有可能出现得到有偏差的结论,甚至导致制定错误的计划。 第一章 内在有偏的样本 耶鲁大学毕业... 阅读详情

 

昨天搞了个投资效益数据比较,今天突然想把我这二年多来买进过的股票,做一个长期投资的组合,不知道效果会怎么样?

哦,让我想想,二年多来,我买进过什么股票呢?其实也并不多,比起大多数朋友来说我肯定不算多的。

银行股,民生银行,华夏银行。

钢铁股,鞍钢股份,武钢股份,唐钢股份,太钢不锈,济南钢铁,凌钢股份。

房地产,深万科,福星科技。

有色股,驰宏锌锗,江西铜业,焦作万方。

煤炭股,兰花科创,恒源煤电,神火股份。

造纸业,华泰股份。

化工股,浙江龙盛。

合计18个股票。

 

股票名称  05.6.3  07.9.7  股本 复权价  分红  增长  分红率

上证指数  1014点   5277   ——   5277  ——  5.20倍 

50  指数   700点   4112   ——   4112  ——  5.87倍 

深证成指  2627点  17674   ——  17674  ——  6.73倍 

深证综指   250点   1458   ——   1458  ——  5.83倍 

华夏银行  3.70元  22.08  1.300  28.70  0.22  7.58倍  5.95%

民生银行  4.75元  16.75  2.503  41.93  0.24  8.83倍  5.05%

鞍钢股份  3.88元  35.25  1.250  44.06  1.24 11.36倍  31.96%

武钢股份  3.27元  18.39  1.250  22.99  0.85  7.03倍  25.99%

唐钢股份  3.46元  22.45  1.550  34.80  0.70 10.06倍  20.23%

太钢不锈  3.73元  28.20  1.742  49.12  0.40 13.17倍  10.72%

济南钢铁  5.19元  21.89  1.872  40.98  0.70  7.90倍  13.49%

凌钢股份  4.66元  13.80  1.320  18.22  0.53  3.91倍  11.37%

深万科.A  4.44元  31.98  2.250  71.96  0.45 16.21倍  10.14%

福星科技  6..4元  19.00  1.980  37.62  0.40  5.88倍  6.25%

驰宏锌锗  8.40元  83.90  2.540  213.11 3.80 25.37倍  45.24%

江西铜业  4.12元  40.01  1.220  48.81  0.71 11.85倍  17.23%

焦作万方  2.50元  48.62  1.300  62.21  0.37 25.28倍  14.80%

兰花科创  9.07元  48.85  1.300  63.51  0.70  7.00倍  7.72%

恒源煤电 13.51元  44.85  1.830  82.08  2.30  6.08倍  17.02%

神火股份 11.35元  57.85  2.600 150.41  2.10 13.25倍  15.54%

华泰股份  8.54元  35.58  1.920  68.31  0.79  8.00倍  9.25%

浙江龙盛  3.97元 16..49  1.400  23.09  0.20  5.82倍  5.04%

 

茅台酒— 42.19元 144.46  2.688 388.31  5.63  9.20倍  13.34%

中信证券  4.81元  82.07  1.350 110.79  0.35 23.03倍  7.28%

招商银行  8.17元  35.98  1.889  67.97  0.41  8.32倍  5.01%

深万科.A  4.44元  31.98  2.250  71.96  0.45 16.21倍  10.14%

 

宝钢股份  4.61元  18.87  1.220  23.02  0.99  4.99倍  21.48%

晨鸣纸业  5.28元  14.08  1.260  17.74  0.24  3.36倍  4.55%

兖州煤业  9.98元  20.99  2.000  41.98  0.68  4.21倍  6.81%

长江电力  7.49元  20.49  1.167  23.91  1.02  3.19倍  13.62%

 

注1:为了方便于计算,我没计算红利的利润,没计算红利再投的利润,这个对于钢铁股显然是不合理的。所以,钢铁股的实际投资利润率应高于这个计算。对于那些曾经送过股的红利也是超过我所统计数据的,所以,只能说这是个毛估估的统计,是并不准确的统计。从理论上来说,实际的投资效益将高于我的统计数据。

注2:为了方便于计算,我没计算权证的损益,因为真正值钱的权证就仅仅是鞍钢、武钢与五粮液的认购权证。在这个方面,从投机的角度来说,吃亏的是招商银行与深万科,因为他们的认沽权证毕竟是存在着丰厚的投机利润。但我在此分析这个的目的是为了分析中长期投资的利润,所以这个东东就没必要计较的。

注3:我这个现金分红是按照实际分红的时间来说的,所以,05年的分红实际是04年度的分配,以此类推,而且我没考虑利息税。

注4:在这里我为了省力,也没统计配股、增发的潜在效益。

注5:这是个理想化的统计数据,在实践投资中是不能达到这个效果的,因为我们不可能都是在最低价买进,也不可能在同一天指数的最低点全部满仓。也就是说,这是个需要打折扣的统计数据,只能作为一种分析、判断的参考作用。

 

四大指数算术平均上涨为5.91倍。

我持有过的16个股票算术平均上涨为10.81倍,高于指数涨幅。

四大成长蓝筹股(招商银行,五粮液,中信证券,深万科)的算术平均上涨为14.19倍,大大的高于指数涨幅。

四个行业的龙头股(宝钢股份,晨鸣纸业,兖州煤业,长江电力)的算术平均上涨为3.94倍,低于指数涨幅,也低于行业平均涨幅。

 

毛估估的统计数据出来了,这些都是我比较熟悉的股票,在市场还有很多的大牛股,因为不在我的关心以内,所以我也不愿意更多的去统计。

朋友们!你看了这些数据,不知道你有什么想法?其实,这里有着太多的值得我们思考的问题,股票虽然不多,但所揭示的信息还是很多的。我希望朋友们认真的思考一下,认真的思考个一天二天什么的,也许,你能悟出点什么来。我相信,对于你未来的投资生涯是有所帮助的。当然,有些人是不愿意去思考这些东东,认为这是些没用的东东,那么我也没办法的,只能表示遗憾。

待续

 

明天是星期一,晚上我得思考这个大盘的问题,所以这个方面的思考就以后再说吧。

 

《爱心工程办公室》http://blog2.eastmoney.com/yizheng128,default.html

 

 

附件:分红送股的数据。

华夏银行, 06年派0.11元,07年派0.11元,股改送0.3股,合计分红0.22元,股本1.300倍。

民生银行,06年送0.4派0.05,07年送0.19,股改送0.5024股,合计分红0.24元,股本2.503倍。

鞍钢股份,05年分红0.30元,06年分红0.36元,07年分红0.58元,股改送0.25股,合计分红1.24元,股本1.25倍。

武钢股份,05年分红0.25元,06年分红0.30元,07年分红0.30元,股改送0.25股,合计分红0.85元,股本1.25倍。

唐钢股份, 06年分红0.35元,07年分红0.35元,股改送0.55股,合计分红0.70元,股本1.55倍。

太钢不锈,06年分红0.20元,07年送0.3派0.20元,股改送0.34股,合计分红0.40元,股本1.742倍。

济南钢铁, 06年送0.20派0.40元,07年送0.2派0.30元,股改送0.30股,合计分红0.70元,股本1.872倍。

凌钢股份, 06年分红0.25元,07年分红0.28元,股改送0.32股,合计分红0.53元,股本1.32倍。

深万科,05年送0.5派0.15,06年分红0.15元,07年送0.5派0.15,股改送无。合计分红0.45元,股本2.25倍。

福星科技, 06年分红0.20元,07年送0.98派0.20元,股改送0.00股,合计分红0.40元,股本1.98倍。

驰宏锌锗,05年分红0.30元,06年分红0.50元,07年送1派3.00元,股改送0.27股,合计分红3.80元,股本2.54倍。

江西铜业,05年分红0.12元, 06年分红送0.6派0.19元,07年分红0.40元,股改送0.22股,合计分红0.71元,股本1.22倍。

焦作万方, 06年分红0.17元,07年分红0.20元,股改送0.30股,合计分红0.37元,股本1.30倍。

兰花科创,06年分红0.30元,07年分红0.40元,股改送0.30股,合计分红0.70元,股本1.30倍。

恒源煤电,05年送0.5派0.10元, 07年分红0.60元,股改送0.22派1.60元,合计分红2.30元,股本1.83倍。

神火股份,05年送1.0派1.50元,06年分红0.20元,07年分红0.40元,股改送0.30股,合计分红2.10元,股本2.60倍。

华泰股份,05年分红0.20元,06年分红送0.6派0.344元,07年分红0.25元,股改送0.30股,合计分红0.79元,股本1.92倍。

浙江龙盛, 06年分红0.10元,07年分红0.10元,股改送0.40股,合计分红0.20元,股本1.40倍。

茅台酒,05年送0.20派0.50元,06年分红0.30元,07年分红0.70元,股改送1.24股派4.13元,合计分红5.63元,股本2.688倍。

中信证券,05年分红0.05元,06年分红0.12元,07年分红0.20元,股改送0.35股,合计分红0.37元,股本1.35倍。

招商银行,05年送0.5派0.11,06年派0.18元,07年派0.12元,股改送0.25963股,合计分红0.41元,股本1.889倍。

晨鸣纸业, 06年分红0.12元,07年分红0.12元,股改送0.26股,合计分红0.24元,股本1.26股。

宝钢股份,05年分红0.32元,06年分红0.32元,07年分红0.35元,股改送0.22股,合计分红0.99元,股本1.22倍。

兖州煤业,05年送0.60派0.26元,06年分红0.22元,07年分红0.20元,股改送0.25股,合计分红0.68元,股本2.00倍。

长江电力, 06年分红0.19元,07年分红0.24元,股改送0.167股派0.59元,合计分红1.02元,股本1.167倍。

 

《数据头脑》读后感:如何像数据专家一样思考与挑战统计数据 本文是一本关于数据分析和统计思维的书籍读后感。作者通过合作撰写书籍的经历,强调了分享统计学知识和统计思维的重要性。书籍内容涵盖了如何提出问题、理解数据、与数据争论、探索数据以及理解数据科学家工具箱中的概念。书中还探讨了数据分析中的陷阱、不同人对数据的态度以及如何确保数据分析项目的成功。文章通过对书中关键章节的解读,分享了数据科学的核心思想,以及如何将这些思想应用于实际工作中。 阅读详情

相关推荐

使用VIVADO 2019.1 搭建以太网接口

以太网 MAC+SGMII->GMII接口转换 以FPGA V7为例,搭建一个千兆以太网接口。运行环境为Vivado2019.1。板卡的FPGA V7与千兆网口芯片采用SGMII互联,最终实现FPGA与上位机之间的千兆网卡通信,实际实现时,V7采用MAC + GMII ->SGMII的结构。SGMII接口使用1G/2.5G Ethernet PCS/PMA or SGMII ip核,MAC层使用Tri Mode Ethernet MAC ip核。 由于MAC层IP不支持SGMII接口,因此需要G

qq_44641513的博客 8415

关于《在静态二叉排序平衡树上统计数据》问题的一些思考

题目要求 静态二叉排序平衡树这一完美的结构在数据统计上有着得天独厚的优势。本题要求,从键盘接收一组数据,构造静态二叉排序平衡树,并选择一维数组作为静态二叉排序平衡树的存储结构,为了完成统计工作,每个节点可增设一个Sum项,表示该节点为根的子树上的节点数,增设一个Less项,表示值小于等于该根节点值的节点总数(即左子树的节点总数+1)。最终程序的运行结果:任意输入一个区间,均可统计出在这个区

冰川的博客 306

Materials - UE5中的PivotPainter

可以使用3DS Max Script中的脚本(Pivot Painter)对模型进行处理,让每个Element都有自己的Pivot Point,来方便控制和制作一些特殊的顶点动画效果;

GT的虚幻引擎文档 1290

读书笔记:《思考的乐趣:Matrix67数学笔记》第4章 统计数据的陷阱

《思考的乐趣:Matrix67数学笔记》第4章讲了几个统计学上的陷阱,由于现在流行的大数据与统计学很有渊源,所以认真读了这一章,在《大数据时代》中指出只考虑相关性就够了,而不考虑因果关系,从这几个例子上可以看出这种观点是非常的可怕。 1)因果关系颠倒: 去救火的消防员越多,火灾损失越大。 实际是因为火灾损失大,才会派很多的人去救火。 2)第三个因素影响2个事件显出了相关性 例一:冰淇淋销...

申龙斌的程序人生 287

外部ADC之AD7949——14bit、8通道、250k

在实际项目中,仅靠单片机内部的ADC采样,很有可能达不到实际采样精度,这个时候就需要外接外部ADC芯片进行采样,这些外部ADC一般都是SPI接口或者是并口。单片机通过SPI接口或并口读写芯片内部寄存器,配置参考极性、采样通道、低通滤波器带宽、基准电压源、通道序列器等。本文主要对ADI家的14bit、8通道、250k的ADC7949做一个总结,这款ADC在实际项目中使用,采样精度达到要求,读取时序有点点绕,但是是一款十分常用的ADC芯片。就是价格不太友好哈哈,一块芯片快60。

cyaya6的博客 6717

Anki小白必看:手把手教你打造高颜值个性化笔记模板(附Leaflyer模板下载)

本文为Anki新手提供详细的个性化笔记模板设计指南,从基础配置到高级定制技巧,帮助用户打造高效记忆系统。特别推荐Leaflyer模板下载,通过视觉优化和功能强化,显著提升学习体验和记忆效率。

weixin_28717969的博客 433

关于数据产品的数据设计思路

数据产品的设计思路,因数据产品移动端显示范围小,故所显示的数据需 1.统计数据,如按时间、部门、类别等维度进行合计等 2.分析结果数据,如完成百分比、增长率、同比率等 3.可下钻明细数据,如按季度合计,可以查看合计的月份数据,乃至日数据,直至下钻至最小级别数据 4.可切换维度,如原先按月统计的数据,可以切换至按客户维度分析 5.不滥用颜色及图表,颜色及图表搭配得当可提升数据表现力,以及视觉舒适性。...

swiftlinlei的博客 710

【电源专题】案例:对比不同电池在不同电流下的电池放电曲线

无

一点硬件 2843

关于学习心态的思考

<br />最近在为单位做一个项目,是单位自己使用。功能就是一些统计数据,生成Excel文件。此前,这些工作都是人手动计算、填写大表(1开纸左右)的。每天到了18点左右,办公室了就像战场一样,到处吵杂的声音、凌乱的报表、穿梭的人群、嘀嘀零零的电话声,我第一次看到时,就好像自己在战斗指挥部里一样。可以想象,几十年来,她们都是这样度过每一天的,她们的工作强度该有多大。<br />由于现在要求减员提效,所以领导计划使用计算机来实现,同时也减少人工出错的概率。<br />项目难度不是很大,由于是内部使用,所以要求也

changyuming的专栏 774

YOLO26涨点改进 | 全网独家复现、小目标检测改进篇 | TGRS 2025 | YOLO26引入MFAE-YOLO中的GFFP、FCPS 和 C3k2-FPEU创新点,涨点起飞,直接发论文

🔥本文给大家介绍在YOLO26中引入MFAE-YOLO中的 GFFP(全局特征融合处理)、FCPS(特征通道像素注意力) 和 C3k2-FPEU(特征池提取单元) 二次创新改进模块,能显著提升对小目标的检测性能。GFFP通过多尺度特征融合增强全局上下文感知能力,有效提升小目标在复杂背景下的可辨性;FCPS融合通道、像素和空间注意力机制,增强了模型对关键细节和小区域特征的关注,提升检测精度;C2F-FPEU利用多种池化方式挖掘细节特征,优化浅层特征表示能力。三者协同提升了YOLO26在小目标检测中的鲁棒性。

Ai缝合怪、助力小伙伴高效发论文 306

史上最详细的sqlmap使用教程

sqlmapsqlmap是一个自动化的SQL注入工具,其主要功能是扫描,发现并利用给定的URL进行SQL注入。目前支持的数据库有MySql、Oracle、Access、PostageSQL、SQL Server、IBM DB2、SQLite、Firebird、Sybase和SAP MaxDB等Sqlmap采用了以下5种独特的SQL注入技术基于布尔类型的盲注,即可以根据返回页面判断条件真假的注入。

大河之犬的博客 5万+

2018年数学真题,你们都做了多少分?

2018年考研数学真题你们都做过了没?你们考了多少分呢?想知道去年考研的同学成绩分布如何?看文章最后。高教版2019全国硕士研究生招生考试数学考试分析分为四个部分,分别是“数学科考试说明...

计算机与软件考研 1228

【AgentScope 2.0】01-不搭 demo,直接解剖一个生产级 Agent 平台:loser-agent 全链路地图

本文介绍生产级Agent平台loser-agent的完整请求旅程,从用户发消息到返回结果共七站:入口鉴权、灰度路由、Agent装配、模型路由、工具执行、持久化与流式响应。课程以真实源码为线索,深入剖析每一步实现逻辑,涵盖灰度发布、权限控制、HITL审批、多模态处理、状态持久化等核心能力。强调框架仅负责Agent运行时语义,平台自建管理请求生命周期中所有非框架部分,适合Java后端开发者系统掌握Agent工程化落地。

loser.with.m的博客 726

006 《统计数据会说谎》读书笔记

数据不会说谎,但是统计数据会说谎。 采集数据,人有时候会无意识的根据个人喜好或者主观判断去筛取;手中数据,还利用更利于自己的方向去展示给大众,含混不清中展示自己看似强有力的根据。想起这段时间leader一直给自己灌输的思想——怀疑一切,去看数据的源。从源头出发,很多事情才能看的更加透彻。源头出了问题,后续的过程,无论怎么出彩,都是白费心思。 统计的...

积跬步,慕至千里的博客 1810

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

《统计陷阱》读后感

《统计陷阱》读后感 知道这本的时候还是从我在大一刚进辩论队的时候,在日常的队训中听到队长建议阅读这本书的,之前总说要读呢,结果各种推过,现在终于静下心来阅读这本书了。看完之后的感触到真不少,而且总想着什么时候写一点读后心得之类的东西,无奈,因为惰性,大家也都是知道的。嘻嘻,废话不多说,直接进入正题。 先来谈谈写这本书的背景:在20世纪50年代,美国出现了一种尊崇统计风,太多的人都乐意,也轻易的

【逸辰杳】的博客 6702

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

loadrunner Lr_类函数之 lr_get_transaction_think_time()

lr_get_transaction_think_time() 返回事务的思考时间。 double lr_get_transaction_think_time(const char * transaction);   参数说明: transaction:事务名称。   lr_get_transaction_think_time函数返回指定事务的思考时间,直到此时为止。 它仅为打开的事...

testingstar的专栏 390

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

决策力--用别人预测自己(3)

其实用别人来预测自己就是看看别人在做某事的时候是一个什么情况(是否成功?用了多少时间?),如果自己没什么特别特殊的点,那自己完成这件事也应该差不多,但是我们平时会经常的高估自己。 《思考,快与慢》的作者卡尼曼在编写一部教材的时候让自己的团体预估一下完成这次编写大概要多长时间,结果团队里面的人平均的预估的时间是2年,同类型的教材大概都是八九年的时间,结果这个团队完成这部教材花...

weixin_30617695的博客 217

初读《学会提问》小感

[size=large][color=gray][align=left]《学会提问》这是一本批判性思维指南书籍。 批判性思维领域“圣经”之作,拒绝被“标准答案”束缚一辈子,拒绝沦为别人思想的木偶 在开篇先从较简单的段落进行分析,教你辨别段落中的论题和结论,然后层层递进,加长所要分析的段落的长度及提高复杂性,同时将章节中需要掌握的关键点,比如谬误、统计数据等,带入到段落中教你如何辨别...

leehuat的专栏 191

误区:思维中常犯的6个基本错误

  原书名:Don'tBelieveEverythingYouThink:The6BasicMistakesWeMakeinThinking   中文书名:误区:思维中常犯的6个基本错误   作者:ThomasE.Kida   前  言   6个思考陷阱   你认为你是什么样的人,你就是什么样的人……天哪!好可怕。   ——莉莉•汤姆林    我看见鬼了。有一天,我半夜醒来喝水。起...

shinfocom 1158

一段高质量的SQL从问问题开始(笔记)

首先SQL书写的目的是为了解决问题,因此只有明白了要解决的问题,才能写出更加高效的SQL语句,才能优雅的解决问题,获得更多的快乐!   在写一个SQL语句的时候不妨像优化器一样思考,问自己以下的这些问题,相信长时间的积累的结果一定可以让自己的SQL变得高效并且优雅 1)为了获取所需要的全部数据需要那些表? 2)其中有表是分区的吗?如果有,分区是如何定义的呢? 3)每张

墨子竹的专栏 867

浅谈移动端设备标识码:DeviceID、IMEI、IDFA、UDID和UUID

【心路历程】 最近刚好在思考工作中统计数据所用的标识码产生的数据误差到底有多大,借此机会几番搜索资料+请教大神,整理出此文。 因为自己是产品经理,所以出发点是整理知识点、理解个大概、知道什么不能用、什么标识是靠谱的,并不研究太深入。毕竟非专业开发,有时候若了解知识点太深入,反倒会更困惑(关联知识点太多)。即使研究清楚了,工作中碰到和自己研究相悖的情况,也不好丢个文档告诉开发应该怎么做(除非很熟,...

rentian1的博客 3904

今日看了一下广告收入,心里拔凉拔凉的。

我的应用全部是设置启动后,只请求一次广告,所以基本上是多少次请求展示就是启动了多少次应用,所以请求数看后台统计是不高的。看数据截图,我觉得我还是去捡垃圾好了。 这是广告收入平台的后台统计,最近一个星期都是很差。至于是那一个平台的数据,我就不说了,收益差,很大一个原因是自已的问题,我不想评论不是自已控制的事情和别人公司平台的问题,免得招来攻击。 数据分别是 请求展示、点击数、收入金额。 ...

weixin_30609287的博客 93

威尔仕2023年的统计数据

虽然小伙伴们的健身时长各有不同,有时候在课程中我也会分享自己健身的案例,看似一个简单的增强环路,旁边会有很多的调节环路来限制增强环路的增长,比如健身效果、绊脚石的小伙伴、肌肉的酸疼等等制约因素限制成长。更重要的是,当我们意识到这些限制,并提前布局,避免遇到瓶颈。例如,当我们将健身路上的“绊脚石”转化为我们的健身伙伴时,大家就能相互激励,共同突破原有的结构。个体是这样,组织也是一样,而且行为在组织内也更容易发生改变,这也是我们一直专注在组织层面,帮助组织创造更高的价值。陈思杰 系统思考&策略性陪伴顾问。

weixin_46421962的博客 410
上一篇: 心态是怎样练成的?(上)
下一篇: (转)逃脱者可获生机(中)
Labber
博客等级 码龄19年 26粉丝 1976原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值