Paper tp read

最新推荐文章于 2022-03-06 14:53:35 发布
原创 最新推荐文章于 2022-03-06 14:53:35 发布 · 270 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

博客提及社交网络中的链接预测，涉及Jon Kleinberg相关内容，聚焦信息技术领域社交网络的链接预测问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Link prediction in social network Jon Kleinberg
AIGC在保险行业的应用：风险评估新工具
AI天才研究院
05-13 447
本文旨在系统性地探讨AIGC技术在保险风险评估领域的应用现状和发展前景。研究范围涵盖财产险、寿险和健康险等多个保险细分领域，重点关注AIGC如何通过技术创新提升风险评估的准确性和效率。本文首先介绍AIGC和保险风险评估的基本概念，然后深入分析核心技术原理，接着通过实际案例展示应用效果，最后探讨未来发展趋势和挑战。AIGC(生成式人工智能): 能够生成文本、图像、音频等内容的人工智能技术风险评分模型: 用于量化被保险人风险水平的数学模型自动化核保: 利用AI技术自动完成保险申请评估和决策的过程精算建模。
RNN资源博客 Recurrent Neural Network的经典论文、代码、课件、博士论文和应用汇总
Yingying
12-19 5204
转载自：RNN资源博客 字数1701 阅读5199 评论2 喜欢4 Awesome Recurrent Neural Networks A curated list of resources dedicated to recurrent neural networks (closely related todeep learning). Maintainers -Jiwon
TP、TN、FP、FN
sslfk的博客
03-01 5567
P/N：表示模型预测的结果积极或消极。 T/F：表示模型预测的结果正确或错误。 所以 TP：表示模型预测为positive是准确的 TN：表示模型预测为negtive是正确的 FP：表示模型预测为positive是错误的 FN：表示模型预测为negtive是错误的 准确率（accuracy）=(TP + TN)/(TP+TN+FP+FN)，表示模型预测准确的概率 查准率-精准率(Precision) = TP/(TP+FP)，表示预测为positve的结果中预测正确所占的比例 查全率-
Face Detection paper 1st season
wzy的博客
03-23 1363
基于深度学习的目标检测研究进展  长文干货！走近人脸检测：从 VJ 到深度学习（上）  长文干货！走近人脸检测：从VJ到深度学习（下） 讲讲上面没有的。  关于目标检测，怎么去衡量一个目标检测器的好坏?  显然这个答案是检测速度和检测精度，这是最主要的两个指标，其它的包括训练时间，算法复杂度，算法的适应能力（不同场景，不同类别）。速度的评价指标按时间计算就可以了，对于精度的评价指标包含检
图像分割结果可视化TP、FP、TN、FN
如果想成为中心，那么就到中心去吧。
03-06 2959
import numpy as np import os import gdalTools def binary_accuracy(pred, label): w, h = pred.shape result = np.zeros((w, h, 3)) pred = (pred >= 0.5) label = (label >= 0.5) TP = pred * label FP = pred * (1 - label) FN = .
linode centos7 xl2tp ipsec
走在左边
10-25 360
2018年2月14日更新： aws的ip为172.31.26.41 iptables -t nat -A POSTROUTING -s 172.31.26.0/24 -o eth0 -j MASQUERADE 然后按照 [url]http://blog.youkuaiyun.com/kitvv/article/details/50696585[/url] 操作 psk的那个secure文件...
深度之眼Paper带读笔记GNN.03.SDNE
老毛的博客
09-06 1247
文章目录前言论文结构学习目标论文研究背景、成果、意义研究背景 前言 本课程来自深度之眼，部分截图来自课程视频。 文章标题：Structural Deep Network Embedding 结构化深度网络特征表示 作者：Daixin Wang, Peng Cui, Wenwu Zhu 单位：Tsinghua 发表会议及时间：KDD 2016 论文结构 Abstract：提出之前多为浅层模型并提出SDNE模型，使用了一阶相似度和二阶相似度的概念。 Introduction：介绍学习图的表征的重要性、低维的分
[Paper Reading] TiDB: A Raft-based HTAP Database
wangxin201492的博客
08-25 1024
选择Raft协议来解决数据同步时效性、一致性及高可用的问题 并在Raft协议中增加一个Learner角色，来解决数据同步到列存，同时不对性能造成影响。 优化Raft协议提升性能：一定程度异步化 通过增加readIndex&leaseRead特性，支持linearizable 列存上借用类Parquet存储结构（LSM-Tree），同时在内存中增加一层 B+Tree，来改善读放大的问题 HTAP混合负载 TP场景：基于percolator实现乐观锁&悲观锁事务 AP场景：RBO & CBO 的评估优化 混合负
### Paper about Event Detection
weixin_30780649的博客
04-06 2万+
Paper about Event Detection. #@author: gr #@date: 2014-03-15 #@email: forgerui@gmail.com 看一些相关的论文。 1. 《Efficient Visual Event Detection using Volumetric Features》 ICCV 2005 扩...
ubuntu无法启动，出现attempt to read or write outside of disk hd0错误
热门推荐
云斜月的专栏
05-19 3万+
linux无法启动，出现error ：attempt toread or write outside of disk hd0错误时， boot出现问题，解决方法如下： Step 1 - Boot on a liveCD or liveUSB  //进入你的系统， Boot your computer either on: - aUbuntu live-CD or live-USB, the
深度之眼Paper带读笔记GNN.01.Node2Vec
老毛的博客
09-17 2699
文章目录前言论文结构学习目标论文研究背景、成果、意义研究背景研究成果研究意义泛读摘要核心观点论文标题传统的图的特征工程图的构建图的应用精读论文算法模型总览论文算法模型的细节一二三四五实验设置和结果分析论文总结 前言 本课程来自深度之眼，部分截图来自课程视频。 文章标题：Node2Vec: Scalable Feature Learning for Networks node2vec：大规模网络节点的表征学习 作者：Adiya Grover，Jure Leskovec（这个是斯坦福讲GML的大佬，战斗民族口音
from sklearn.datasets import load_wine # 加载数据 data = load_wine() X, y = data.data, data.target 替换为# 读取数据 data = pd.read_csv('D:/JW/BaiduSyncdisk/paper dock/ML Paper/Raw_Data.csv') # 分类变量编码 categorical_cols = ['Color', 'Shape', 'Polymer type'] for col in categorical_cols: le = LabelEncoder() data[col] = le.fit_transform(data[col]) # 提取特征与目标变量 features = ['pH', 'Salinity', 'DO', 'COD', 'PO₄³⁻', 'HN₃-N', 'Oil', 'TN', 'TP'] X = data[features]
05-02
比如用pd.read_csv('path'), 然后x = df.iloc[:, :-1]，y = df.iloc[:, -1]。这部分应该没问题，但要注意路径是否正确，以及CSV的结构是否符合预期，比如最后一列是否是标签。 接下来是PCA部分。用户需要根据结果...
D:\Users\ASUS\PycharmProjects\Megacities\Scripts\python.exe "D:\Users\ASUS\PycharmProjects\ML paper prediction\分类模型.py" Starting Multi-Year Analysis Loading data: D:\JW\BaiduSyncdisk\数据\SZML\rasters\merged_t2.csv Shape after cleaning: (1048575, 31), dropped cols: 0, rows: 0 Columns loaded: ['id', '2022_ap', '2022_ cod', '2022_ do', '2022_ ioa', '2022_mp', '2022_ oil', '2022_ ph', '2022_ tn', '2022_ tp', '2023_ap', '2023_cod', '2023_do', '2023_ioa', '2023_mp', '2023_oil', '2023_ph', '2023_tn', '2023_tp', '2024_ ap', '2024_ cod', '2024_ do', '2024_ ioa', '2024_mp', '2024_ oil', '2024_ ph', '2024_ tn', '2024_ tp', '2022_influx', '2023_influx', '2024_influx'] Columns with NaN values: id 467424 2022_ap 467425 2022_ cod 467425 2022_ do 467425 2022_ ioa 467425 2022_mp 1708 2022_ oil 467425 2022_ ph 467425 2022_ tn 467425 2022_ tp 467424 2023_ap 467424 2023_cod 467424 2023_do 467424 2023_ioa 467424 2023_mp 467425 2023_oil 467424 2023_ph 467424 2023_tn 467424 2023_tp 467424 2024_ ap 467424 2024_ cod 467424 2024_ do 467424 2024_ ioa 467424 2024_mp 467425 2024_ oil 467424 2024_ ph 467424 2024_ tn 467424 2024_ tp 467424 dtype: int64 Detected years: [2022, 2023, 2024] Target column 'MP' exists: True Found target column for year 2022: 2022_mp Year 2022: columns -> ['ap', ' cod', ' do', ' ioa', ' oil', ' ph', ' tn', ' tp', 'influx', 'mp', 'year'] Found target column for year 2023: 2023_mp Year 2023: columns -> ['ap', 'cod', 'do', 'ioa', 'oil', 'ph', 'tn', 'tp', 'influx', 'mp', 'year'] Found target column for year 2024: 2024_mp Year 2024: columns -> [' ap', ' cod', ' do', ' ioa', ' oil', ' ph', ' tn', ' tp', 'influx', 'mp', 'year'] Datasets summary: Year 2022: shape=(1048575, 11), columns=['ap', ' cod', ' do', ' ioa', ' oil', ' ph', ' tn', ' tp', 'influx', 'mp', 'year'] Year 2023: shape=(1048575, 11), columns=['ap', 'cod', 'do', 'ioa', 'oil', 'ph', 'tn', 'tp', 'influx', 'mp', 'year'] Year 2024: shape=(1048575, 11), columns=[' ap', ' cod', ' do', ' ioa', ' oil', ' ph', ' tn', ' tp', 'influx', 'mp', 'year'] --- Year 2022 --- Breaks: [0.00827264 0.1964626 0.2110861 0.22242553 0.23456236 1.02878308] Distribution: mp 0 209374 1 209373 2 209373 3 209373 4 209374 Name: count, dtype: int64 Year 2022 - Time: 12.0s, Accuracy: 0.6856 Saved: RF_results\figure_2022.png Traceback (most recent call last): File "D:\Users\ASUS\PycharmProjects\ML paper prediction\分类模型.py", line 311, in <module> main() File "D:\Users\ASUS\PycharmProjects\ML paper prediction\分类模型.py", line 272, in main create_result_figure(model, Xt, yt, yp, feats, y) File "D:\Users\ASUS\PycharmProjects\ML paper prediction\分类模型.py", line 206, in create_result_figure aggregated_shap[:, j] = np.mean(shap_values_2d[:, indices], axis=1) ~~~~~~~~~~~~~~~^^^^^^ ValueError: could not broadcast input array from shape (500,5) into shape (500,)
最新发布
07-25
根据错误信息，问题出现在SHAP值聚合的部分。错误信息为： ValueError: could not broadcast input array from shape (500,5) into shape (500,) 这个错误是因为我们试图将一个形状为(500,5)的数组赋值给一个形状为...
C:\ProgramData\anaconda3\python.exe "D:\Users\ASUS\PycharmProjects\ML paper prediction\分类模型.py" 警告: 列 COD_2022 不存在于数据中 警告: 列 COD_2023 不存在于数据中 警告: 列 COD_2024 不存在于数据中 警告: 列 DO_2022 不存在于数据中 警告: 列 DO_2023 不存在于数据中 警告: 列 DO_2024 不存在于数据中 警告: 列 IOA_2022 不存在于数据中 警告: 列 IOA_2023 不存在于数据中 警告: 列 IOA_2024 不存在于数据中 警告: 列 MP_2022 不存在于数据中 警告: 列 MP_2023 不存在于数据中 警告: 列 MP_2024 不存在于数据中 警告: 列 Oil_2022 不存在于数据中 警告: 列 Oil_2023 不存在于数据中 警告: 列 Oil_2024 不存在于数据中 警告: 列 pH_2022 不存在于数据中 警告: 列 pH_2023 不存在于数据中 警告: 列 pH_2024 不存在于数据中 警告: 列 TN_2022 不存在于数据中 警告: 列 TN_2023 不存在于数据中 警告: 列 TN_2024 不存在于数据中 警告: 列 TP_2022 不存在于数据中 警告: 列 TP_2023 不存在于数据中 警告: 列 TP_2024 不存在于数据中 Traceback (most recent call last): File "D:\Users\ASUS\PycharmProjects\ML paper prediction\分类模型.py", line 116, in <module> result = analyze_merged_csv(merged_file) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "D:\Users\ASUS\PycharmProjects\ML paper prediction\分类模型.py", line 57, in analyze_merged_csv visualize_results(result_df) File "D:\Users\ASUS\PycharmProjects\ML paper prediction\分类模型.py", line 70, in visualize_results num_indicators = len(result_df['Indicator'].unique()) ~~~~~~~~~^^^^^^^^^^^^^ File "C:\ProgramData\anaconda3\Lib\site-packages\pandas\core\frame.py", line 4102, in __getitem__ indexer = self.columns.get_loc(key) ^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\ProgramData\anaconda3\Lib\site-packages\pandas\core\indexes\range.py", line 417, in get_loc raise KeyError(key) KeyError: 'Indicator'
07-17
required_cols = ['cod', 'do', 'ioa', 'mp', 'oil', 'ph', 'tn', 'tp'] year_cols = [] for year in ['2022', '2023', '2024']: year_cols.extend([f"{year}_{col}" for col in required_cols]) df = ...
Keras 更新指令
Yingying
12-06 8871
pip install git+git://github.com/fchollet/keras.git --upgrade --no-deps
Active learning 总结
Yingying
09-02 4961
Active learning by querying informative andrepresentative examples PAMI 2014 本文主旨：将优化问题转换为在每一轮中选择的样本使得所有的样本损失最小，包括已标记样本和未标记样本。 Informative and representative : Informative: 位于分类面边缘上的数据，比如说DNN pape
Discriminative unsupervised feature learning with convolutional neural networks
Yingying
08-25 2393
NIPS2014 思路：将unlabeled 图像进行旋转、平移、增强等操作，组成不同的数据集合（同一图像生成的图像为同一数据集合）。利用CNN 将不同数据集合区分开。 目标：区分不同图像，保证平移等变换的鲁棒性。 网络结构： small: two convolutional layers with 64 filters each followed by a fully conne
多任务深度学习
Yingying
08-22 1761
阅读材料原文链接 多任务的信息还可以从不同层进行判断，例如衣服颜色信息可以从低层进行判断，而穿衣风格的信息要从高层进行判断 待阅读论文 Multi-task Learning（１９９７） Attributes for Improved Attributes: A Multi-Task Network for Attribute Classificatio
A convolutional Neural Network for Modelling Sentences
Yingying
12-23 1569
2014 牛津大学 提出了一种新的CNN架构，可处理不同长度的时间序列，提出k-max pooling 步骤： 将整个句子进行编码，获得d*s的矩阵， 对于每行进行一维卷积，然后取出前k大的数值作为特征序列，保留了原始值的相对位置，但是省略了具体位置信息。 最顶层时，将相邻两row相加（folding），实现不同row之间信息共享。 实验部分： 用在语义分
评论
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