- 博客(6)
- 收藏
- 关注
RSS订阅原创 多维时间序列分析
多维时间序列 (1)Graph-augmented Normalizing Flows for Anomaly Detection of Multiple Time Series 论文地址： Abstract 对于各种各样的数据类型，异常检测是一项广泛研究的任务；其中，多时间序列经常出现在应用中，例如电网和交通网络。然而，由于组成序列之间复杂的相互依赖性，检测多个时间序列的异常是一个具有挑战性的课题。我们假设异常发生在分布的低密度区域，并探索使用标准化流进行无监督异常检测，因为它们在密度估计方面的优越性。此
2021-11-09 20:02:20
3804
1
原创 人脸识别可解释性（Explainable Face Recognition)linux+python
人脸识别的可解释性 论文标题：Explainable Face Recognition 论文链接：https://arxiv.org/abs/2008.00916 论文代码：https://github.com/stresearch/xfr 1. 下载文件 （1）下载并安装git https://git-scm.com/downloads （2）在git bash中运行 git lfs install git clone https://github.com/stresearch/xfr.git 2. 配置
2021-07-09 16:44:33
423
原创 三维数据的Caliniski-Harabaz指数、DB指数计算
聚类内部评价指标 如果数据集标签未知，则必须使用模型本身的内部指标去度量聚类性能。 轮廓系数（Silhouette Coefficient） 每个样本有对应的轮廓系数，轮廓系数由两个得分组成： a：样本与同一簇类中的其他样本点的平均距离； b：样本与距离最近簇类中所有样本点的平均距离； 每个样本的轮廓系数定义为： 一组数据集的轮廓系数等于该数据集中每一个样本轮廓系数的平均值 Caliniski-Harabaz指数 DB指数（Davies-Bouldin Index） import functools i
2021-06-07 22:58:13
1840
原创 Kaggle：Tabular Playground Series - May 2021
Kaggle：Tabular Playground Series - May 2021 简介 本次比赛使用的数据集是合成的，基于真实的数据集使用CTGAN生成。原始数据集用于预测电子商务产品的类别，给出了与上市相关的各种属性。虽然这些特征是经过处理的，但它们具有与现实中的特征相关的属性。 Data https://www.kaggle.com/c/tabular-playground-series-may-2021/data?select=train.csv 1.训练集：10000052 , 包含（id，5
2021-06-04 10:06:58
883
原创 UnboundLocalError: local variable ´height´ referenced before assignment
（1）出现这种错误的原因之一，解释器不知道它的定义是什么，可以先定义一下。 如下： def cut_end(L,file): HEIGH_DEST=file.HEIGH_DEST for i in range(1,L): if HEIGH_DEST[i]==0 and ((HEIGH_DEST[i+1]-HEIGH_DEST[i]>0) or (HEIGH_DEST[i+2]-HEIGH_DEST[i]>0)): height=i
2020-06-23 15:54:47
432
翻译 吴恩达Coursera深度学习课程 deeplearning.ai (4-4) 神经风格转换--编程作业
吴恩达Coursera深度学习课程 deeplearning.ai (4-4) 神经风格转换–编程作业 资料下载，引用：https://blog.youkuaiyun.com/u013733326/article/details/80767079 在这次作业中，你将: 实现神经风格的传递算法 使用你的算法生成新的艺术图像 你学习过的大多数算法都是通过优化成本函数来获得一组参数值。在本次学习中，你将通过优化成本函数得到像素值! 导入需要的包： import os import sys import scipy.io im
2020-05-27 16:57:20
2208
7
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人