<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[goodljq的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/goodljq</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; goodljq]]></copyright><item><title><![CDATA[因果推断边学习边分享（二）]]></title><link>https://blog.youkuaiyun.com/goodljq/article/details/118370612</link><guid>https://blog.youkuaiyun.com/goodljq/article/details/118370612</guid><author>goodljq</author><pubDate>Wed, 30 Jun 2021 22:14:03 +0800</pubDate><description><![CDATA[第一部分链接：Jackie：因果推断边学习边分享（一）



目录


	背景引入
	
	
	因果推断简介
	
	
	Rubin Causal Model (RCM) 及相关方法

	
		传统RCM方法
		
		
		深度RCM方法
		
	
	
	Structural Equation Modeling (SEM) 及相关方法
	
	
	因果关系的驳斥
	
	
	因果推断与机器学习
	
	
	学习材料推荐
	
	
	后记
	
3 Rubin Causal Model (RCM) 及相关方法

Rubi]]></description><category></category></item><item><title><![CDATA[因果推断边学习边分享（一）]]></title><link>https://blog.youkuaiyun.com/goodljq/article/details/118190899</link><guid>https://blog.youkuaiyun.com/goodljq/article/details/118190899</guid><author>goodljq</author><pubDate>Thu, 24 Jun 2021 16:28:37 +0800</pubDate><description><![CDATA[前段时间被导师安利了Judy Pearl的书《The Book of Why》，开始关注因果推断这个领域。分享下自己对因果推断相关方法的学习，不准确之处还请大佬们批评指正。

目录

背景引入
	因果推断简介
	Rubin Causal Model (RCM) 及相关方法
	Structural Equation Modeling (SEM) 及相关方法
	因果关系的驳斥
	因果推断与机器学习
	学习材料推荐
	后记
1 背景引入

因果推断通俗来讲就是“透过现象看本质”，尤其是当现象和本质恰恰相反的时候。]]></description><category></category></item><item><title><![CDATA[PyTorch单卡/多卡下模型保存/加载]]></title><link>https://blog.youkuaiyun.com/goodljq/article/details/117258032</link><guid>https://blog.youkuaiyun.com/goodljq/article/details/117258032</guid><author>goodljq</author><pubDate>Tue, 25 May 2021 16:03:00 +0800</pubDate><description><![CDATA[由于训练和测试所使用的硬件条件不同，在模型的保存和加载过程中可能因为单GPU和多GPU环境的不同带来模型不匹配等问题。这里对PyTorch框架下单卡/多卡下模型的保存和加载问题进行排列组合（=4），样例模型是torchvision中预训练模型resnet152，不尽之处欢迎大家补充。



1 数据格式与存储内容

1.1 模型存储格式

PyTorch存储模型主要采用pkl，pt，pth三种格式。就使用层名来说没有区别，这里不做具体的讨论。第5部分中列出了笔者查阅到的一些资料，感兴趣的读者可以进一步研究.]]></description><category></category></item><item><title><![CDATA[单细胞数据分析工具scvi介绍]]></title><link>https://blog.youkuaiyun.com/goodljq/article/details/117118810</link><guid>https://blog.youkuaiyun.com/goodljq/article/details/117118810</guid><author>goodljq</author><pubDate>Fri, 21 May 2021 23:14:49 +0800</pubDate><description><![CDATA[之前听师兄在组会上介绍了scvi，恰巧最近在用scvi做一些分析，感觉这个方法很精巧效果也不错，因此研究了一下原始论文，这里简要介绍一下这个单细胞数据分析工具的新星。

scvi是Nature Methods在2018年12月发表的一个单细胞RNA测序(scRNA-seq)数据的集成分析平台，预印版文章在2018年3月就已经在bioRxiv上线。scvi是一个快速的多功能方法，整合了来自机器学习、统计模型、概率图模型等领域的思想和模型，应用到了单细胞数据的多种下游分析上来，相比其他针对单一下游分析的方法来说]]></description><category></category></item><item><title><![CDATA[多标签学习与深度森林学习笔记]]></title><link>https://blog.youkuaiyun.com/goodljq/article/details/117115763</link><guid>https://blog.youkuaiyun.com/goodljq/article/details/117115763</guid><author>goodljq</author><pubDate>Fri, 21 May 2021 12:22:48 +0800</pubDate><description><![CDATA[周志华老师团队Multi-Label Learning with Deep Forest (MLDF)报道很多，各大机器学习平台也都就这篇文章的亮点给出了分析。近日在准备组会报告时较为详细地拜读了一下，也由此简单了解了一下多标签学习的相关内容。

正如论文作者所述，MLDF的最大优势在于：


	限制模型复杂性以防止过拟合
	
	
	可以根据用户需求进行优化
	
实验表明，在多个标准数据集（benchmark dataset）上，深度森林在六种多标签学习的评价方法中取得了最佳表现，同时也具有在多标签问题中研]]></description><category></category></item><item><title><![CDATA[单细胞RNA-seq数据分布的选择]]></title><link>https://blog.youkuaiyun.com/goodljq/article/details/117114849</link><guid>https://blog.youkuaiyun.com/goodljq/article/details/117114849</guid><author>goodljq</author><pubDate>Fri, 21 May 2021 12:01:55 +0800</pubDate><description><![CDATA[在单细胞RNA测序数据（single-cell RNA sequencing，以下简称scRNA-seq）的分析中，对数据分布的模型假设是很重要的一步，合理的数据分布模型直接影响了后续的分析流程或者是方法开发。例如单细胞差异表达分析方法就是基于数据的分布，通过对分布参数的假设检验，进而判断两组数据是否存在差异。那么人们是如何一步步探索适合的scRNA-seq数据的分布的呢？现阶段的发展又是怎样的？有哪些新产生的问题？本文将就这这些问题加以梳理。这里的分布指的是某一基因转录出RNA的量在一组细胞中（gene ]]></description><category></category></item><item><title><![CDATA[图解医学影像纹理特征]]></title><link>https://blog.youkuaiyun.com/goodljq/article/details/117077381</link><guid>https://blog.youkuaiyun.com/goodljq/article/details/117077381</guid><author>goodljq</author><pubDate>Fri, 21 May 2021 11:42:09 +0800</pubDate><description><![CDATA[在医学影像分析中，纹理（texture）特征被广泛地应用于定量化描述病灶的特性。相比病灶影像的统计学特征和形状特征，纹理特征的计算往往较为复杂，不易于搞懂其背后的原理。然而，学习过程中建立对概念直观的认识（intuition）对理解问题的本质很有帮助，这也是本文的出发点。

本文尝试解决如下问题：


	医学影像特征包的官方文档给了纹理特征数学定义，但是理解起来不够直观
	
	
	网络上有许多介绍纹理特征的帖子，但是每个帖子介绍的内容有限；
	
	
	少有文章关注不同类型纹理特征之间的比较，不易于理解纹理特]]></description><category></category></item><item><title><![CDATA[回归评测指标R2可以是负数吗？]]></title><link>https://blog.youkuaiyun.com/goodljq/article/details/117061878</link><guid>https://blog.youkuaiyun.com/goodljq/article/details/117061878</guid><author>goodljq</author><pubDate>Thu, 20 May 2021 09:58:57 +0800</pubDate><description><![CDATA[在评测回归模型时，是一个常用的指标（其出现最早可追溯到初中时期...）。印象里的的取值为[0,1]，的值越接近1，说明回归模型对数据的拟合程度越好。

问题源自一次使用sklearn做线性回归的实验，笔者使用了内置的计算的函数，惊奇地发现得到的居然是一个负数。一方面说明回归模型失败了[捂脸]，而另一方面也令人颇为不解——为什么可以为负呢？

带着强烈的好奇心，笔者从sklearn的文档开始读起，弄明白了这是怎么回事。随手记录下来供大家参考。

先说结论：

确实有两种不同的定义，其中一种的定义域包含负值
	]]></description><category></category></item></channel></rss>