AI
文章平均质量分 90
happiless
这个作者很懒,什么都没留下…
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
超大图上的节点表征学习
一、图神经网络的挑战 随着网络层数的增加, 计算成本呈指数增长 保存整个图的信息和每一层每个节点的嵌入(embedding)需要消耗巨大的内存空间 二、 Cluster-GCN的出现 可能损失预测精度或者对提高内存的利用率并不显著 无需保存整个图的信息和每一层每个节点的嵌入(embedding) 2.1 概览 1.利用图节点聚类算法将一个图的节点划分为c个簇, 每一次选择几个组的节点和边构造一个子图, 对子图进行训练 2.由于利用图节点聚类算法划分多个簇, 所以簇内边的数量要比簇间边的数量要多得多原创 2021-07-02 01:36:19 · 311 阅读 · 0 评论 -
数据完整存储于内存的数据集类+节点预测与边预测任务实践
一、完全基于内存的数据集类 InMemoryDataset基类简介 import torch from torch_geometric.data import InMemoryDataset, download_url class InMemoryDataset(root: Optional[str] = None, transform: Optional[Callable] = None, pre_transfo原创 2021-06-28 01:11:16 · 405 阅读 · 0 评论 -
基于图神经网络的节点表征学习
获取并分析数据集 dataset = Planetoid(root='./input/Cora', name='Cora', transform=NormalizeFeatures()) print(f'dataset: {dataset}') print(f'number of graphs: {len(dataset)}') print(f'number of features: {dataset.num_node_features}') print(f'number of classes: {dat原创 2021-06-24 01:05:53 · 622 阅读 · 0 评论 -
GraphEmbedding与消息传递范式
一、GraphEmbedding 1. DeepWalk DeepWalk在无向图上 采用随机游走得到一个节点序列 - d: embedding维度, γ\gammaγ: 迭代次数 2. LINE DeepWalk在无向图上, LINE在有向图上 适用于大规模的图上, 表示节点之间的结构信息 一阶: 局部的结构信息 二阶: 节点的邻居, 共享邻居的节点可能是相似的 一阶二阶embedding训练完成之后, 直接拼接组合成一个embedding 3. Node2vec 同质性: BFS原创 2021-06-19 19:47:11 · 327 阅读 · 0 评论 -
简单图论与PyG环境配置
一、简单图论 图的表示 图用节点表示实体(entities ),用边表示实体间的关系(relations) 通过邻接矩阵来构造图 在无向图中,从结点 viv_ivi 到 vjv_jvj 的边存在,意味着从结点 vjv_jvj 到 viv_ivi 的边也存在。因而无向图的邻接矩阵是对称的。 在无权图中,各条边的权重被认为是等价的,即认为各条边的权重为1 对于有权图,其对应的邻接矩阵通常被记为 W∈{0,1}N∗NW \in \{0, 1\}^{N * N}W∈{0,1}N∗N,其中Wi,j=wijW原创 2021-06-14 22:15:26 · 697 阅读 · 6 评论 -
幸福感挖掘
一、学习知识点概要 1.1 学习内容介绍 阿里天池挖掘幸福感比赛入口: https://tianchi.aliyun.com/competition/entrance/231702/introduction 1.2 学习目标 通过学习能够挤进排行榜前500 1.3 代码流程 1.数据探索 2.特征工程 3.建模预测 4.模型调参与融合 二、学习内容 1. 数据探索 2. 特征工程 import numpy as np import pandas as pd pd.set_option('disp原创 2021-04-22 13:09:35 · 754 阅读 · 1 评论 -
基于LightGBM的分类预测
一、学习知识点概要 1.1 LightGBM的介绍 1). 2017年经微软推出,XGBoost的升级版 2). 模型精度: 两个模型精度相当 3). 训练速度: LightGBM训练的速度更快 => 1/10 4). 内存消耗: LightGBM占用内存更小 => 1/6 5). 特征缺失值: 两个模型都可以自动处理特征缺失值 6). 分类特征: XGBoost不支持类别特征,需要对其进行onehot编码,而LightGBM支持类别特征 LightGBM的主要优点: 1.简单易用。提原创 2021-04-16 23:57:12 · 2591 阅读 · 4 评论 -
基于XGBoost的分类预测
一. 学习知识点概要 1.1 XGBoost的介绍 优点 1. 简单易用。相对其他机器学习库,用户可以轻松使用XGBoost并获得相当不错的效果。 2. 高效可扩展。在处理大规模数据集时速度快效果好,对内存等硬件资源要求不高。 3. 鲁棒性强。相对于深度学习模型不需要精细调参便能取得接近的效果。 4. XGBoost内部实现提升树模型,可以自动处理缺失值。 缺点: 1. 相对于深度学习模型无法对时空位置建模,不能很好地捕获图像、语音、文本等高维数据。 2. 在拥有海量训练数据,并能找到合适的深度学习模型时原创 2021-04-13 23:49:24 · 6537 阅读 · 10 评论 -
基于逻辑回归的分类预测
一. 学习知识点概要 1. 逻辑回归的介绍与应用 1.1 逻辑回归的介绍 逻辑回归(Logistic regression,简称LR)虽然其中带有"回归"两个字,但逻辑回归其实是一个分类模型,并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热,但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。 而对于逻辑回归,最为突出的两点就是其模型简单和模型的可解释性强。 逻辑回归模型的优劣势: 优点:实现简单,易于理解和实现;计算代价不高,速度很快,存储资源低; 缺点:容易欠拟合,分类原创 2021-04-12 11:26:06 · 1768 阅读 · 0 评论
分享