qq_33588413的博客

主要问题为版本环境问题，我的python版本为py3.6，torch-1.7，必须下载对应的版本的离线包，并且安装。其次是数据集问题，数据集较大，且GitHub要翻墙，所以数据集问题也要解决。离线whl包如下所示:问题主要是： model = Net().to('cpu')Data(x=x, edge_index=edge_index, edge_attr=edge_attr, y=y, num_nodes=num_nodes, other_attr=other_attr) 类没有构建.

import sysfrom PyQt5.QtCore import *from PyQt5.QtWidgets import *from PyQt5.QtCore import *class ComboxDemo(QWidget): def __init__(self, parent=None): super(ComboxDemo, self).__init__(parent) # 设置标题 self.setWindowTitle('C.

Blending集成学习作为stack集成学习的简化版，可以看成是一个两层的集成，第一层有多个分类器，分类的结果输出到第二层，而第二层通常是一个逻辑回归的模型，把第一层的分类结果作为特征输入到逻辑回归的模型。Blending集成学习主要步骤分为以下五步：(1) 将数据划分为训练集和测试集(test_set)，其中训练集需要再次划分为训练集(train_set)和验证集 (val_set)； (2) 创建第一层的多个模型，这些模型可以使同质的也可以是异质的； (3) ...

二手车交易价格预测，是一个典型的预测问题，baseline就是提取出数值类的特征列，Type类的都不符合要求，['SaleID','name','regDate','creatDate','price','model','brand','regionCode','seller']也不符合，如果数据存在空值，就用-1进行替换，y值就是二手车的价格，显然不是标签值，故预测模型采用xgboost和lgboost回归，采用交叉验证的方式计算验证集和训练集的mae。然后分别用xgb和lgb训练模型，...

声音识别和自然语言处理类似，声音和文本都是一种序列化的数据。自然语言处理要处理文本，首先要将文本表示成为计算机能够识别的数据，比如one-hot编码，词袋模型，或者训练成词向量嵌入到空间内。在声音利与内，声音可以通过librosa库进行特征处理，例如提取melspectrogram，mfcc特征。进而可以成为计算机可以识别，处理的数据。 本次做食物声音识别，共有20种咀嚼食物的声音，如咀嚼肉饼，卷心菜等。baseline采用的是CNN，最后一层接全连接层，激活函数采用softmax，...

论文解读：Connecting Embeddings for Knowledge Graph Entity Typing知识图谱实体类型推理（KG Entity Typing）致力于预测知识图谱中可能缺失的实体类型实例，其作为知识图谱自动补全的一项子任务，非常重要但仍然缺乏更深入的研究。本文的方法基于联合学习的思路，从已知实体类型标注集中局部类型标注知识（Local typing knowledge）和知识图谱中全局三元组知识（Global triple knowledge）两类数据中挖掘知识，提出了两

1.引言EM算法，也就是期望最大算法，分为E步和M步，作为一种算法，和模型当然有着本质的区别，类似于梯度下降算法，去求解模型的参数。EM算法多用于概率图生成模型，像HMM，GMM。。。之前的文章里就有EM算法去求解HMM的learning问题。研究EM算法，就要从EM算法收敛性的证明，EM公式的推导这几个方面来看。2.EM算法收敛性为什么要去证算法的收敛性，就是要证明EM公式可以去取的一个最大值，并且得到一个对应的。这样，就能为接下来EM公式的推导做铺垫。其收敛性证明主要用到了KL函数的性质，即

1.引言根据前面所写的HMM和HMMVSMEMMVSCRF，CRF也成了一个比较熟悉的概念了，作为HMM和MEMM的集大成者，由于有了之前HMM的研究基础，而CRF也是类似HMM的，有些问题的解决办法甚至是一模一样的，比如decoding问题，都是用的维特比算法，CRF作为一个无向图，和HMM还是有一些区别的，并且CRF是判别式模型。研究概率图模型一般都是从learning（求参数）和inference（求边缘概率，求条件概率，求最优状态序列）展开，故本文也从这分这两小节讲述。2.Learning

一般而言，两个模型的对比，一般都是有缺点和优点的，这是经典的马克思主义学说，HMM，MEMM，CRF都是经典的概率图模型，它们有相同点，当然也有不同点。1.相同点HMM是生成模型，MEMM，CRF都是判别式模型，也就是求解条件概率，而判别式模型在求解标注问题时更加方便，时间消耗小。2.不同点HMM，MEMM，CRF当然不同，他们之间的关系是一种递进的关系，最终得到的结果是使得模型的合理性更加通用。由于最开始为了计算的简便，在计算HMM的三个问题的时候，就做了两个假设。而这两个假设显然是不合理

HMM隐马尔可夫模型是一种经典的概率图模型，是动态贝叶斯网络，即是一种有向图。概率图模型不同于传统的统计机器学习方法，传统的统计机器学习的三个基本问题是关于模型，策略，还有算法。可以看成是一个优化已经构建的损失函数的问题。而概率图模型则不同，它包括了learning还有inference这两个过程，是一个积分问题。HMM广泛运用于自然语言处理中的机器翻译等等。。。它的缺陷也是十分明显的，模型较为简单，因为假设过多，包括了齐次马尔科夫假设和观测独立性假设。研究HMM一般是从三个问题出发，evaluat..

线性模型，当然就是最简单的模型了，形如3.1和3.2这两个公式，显然w和x都为向量，当然w可以为标量，此时对应的就是最普通的线性模型，其次就是多元线性模型。线性模型可以做什么?答:分类和回归。这样自然要去回答分类和回归是什么，回归就是预测的函数值是连续的，而分类拟合的函数值就是离散的，典型的就是二分类，预测的是0和1.那么如何才能得到一个好的线性回合模型？自然就是要使得预测的结果和实际值差距小，但是也不能达到100%，那就是经典过拟合了，这就是均方误差，如下所示：这就是...