12、指标记录与杂货店应用实践

指标记录与杂货店应用实践

1. 指标筛选与视图定制

在指标记录过程中,我们可以使用视图来筛选仪器并定制指标输出。选择仪器时指定的所有标准都是可选的,但如果未指定任何可选参数,代码将根据 OpenTelemetry 规范抛出异常。

1.1 维度的概念

维度是与指标关联的属性。例如,一个客户计数器可能会记录客户的相关信息,如客户来访的国家或浏览器设置的语言环境,这些属性为记录的指标提供了额外的维度。通过维度,我们可以以有意义的方式聚合数据,例如:
- 三位客户访问了我们的商店。
- 两位客户来自加拿大,一位来自法国。
- 两位客户的浏览器配置为法语(fr - FR),一位为英语(en - US)。

1.2 定制指标输出

视图允许我们定制指标流的输出。通过 attributes_keys 参数,我们可以指定在特定视图中希望看到的维度。以下代码配置了一个视图,以匹配计数器仪器并丢弃除语言环境之外的任何属性:

# metrics.py
def configure_meter_provider():
    exporter = ConsoleMetricExporter()
    reader = PeriodicExportingMetricReader(exporter, export_interval_millis=5000)
    view = View(instrument_type=Counter, attribute_keys=["locale"])
    ...
</
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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