因此,我一直在学习神经网络,并尝试从头开始编写它们,并在某些情况下取得了成功。所以,我想把一个简单的单层神经网络拟合成一个正弦波。我知道我可以使用keras,但我想学习它的内部工作原理。我的输入x是使用numpy生成的,数值范围从0到10,步长为0.1,y= sin(x)。我初始化了网络的权重和偏差,并对反向传播进行了编码。但在对数据进行拟合后,当我尝试预测时,会得到一条直线。我将图层的激活从sigmoid更改为tanh,以及它们各自的梯度,但输出不能预测正弦波。在通过论坛之后,它不断出现,对于这样的周期性函数,使用RNN。
import numpy as np
from matplotlib
我在试着训练我的模特。我的模型输出一个4,2张量,其中4是批大小,2是二进制分类。在收到输出后,我找到了每个row.so的最大元素的索引,现在形状是4,1,标签的形状也是4,1,我不明白为什么我仍然得到这个error.Could --请有人帮我解决它-- out.Also,我使用的优化器是SGD,损失标准是交叉熵。
for epoch in range(2): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(dataloader, 0):
John Fox及其合作者在 CRAN包的function Effect中对参数xlevels的帮助中写道:
(...) If partial residuals are
computed, then the focal predictor that is to appear on the
horizontal axis of an effect plot is evaluated at 100 equally
spaced values along its full range, and, by default, other
numeric predictors are evaluated
我正在尝试复制这个,我想知道是否有一种方法可以用Python包来实现这一点。我不知道如何使用LinearExplainer()来获得RSquared的边际贡献。
到目前为止,我已经尝试过:
import sklearn
from sklearn.model_selection import train_test_split
import pandas as pd
import numpy as np
import shap
shap.initjs()
X = pd.DataFrame(columns=['x1','x2','x3'], data
我一直在尝试理解Pierre Gaillard和Yannig Goude的歌剧“通过专家聚合进行在线预测”。我读了Pierre Gaillard ()和Rob Hyndman ()的两篇文章。然而,我不知道如何预测未来的价值。在Pierre的示例中,newY =Y表示测试数据集(Y <- data_test$Load),它是法国电力负载的每周观测值。如下所示,数据在2009年12月结束。现在,我们如何预测2010年的价值呢?这里的newY是什么?
> tail(electric_load,5)
Time Day Month Year NumWeek Load Lo
我正在使用sklearn包构建逻辑回归模型,然后对其进行评估。具体地说,我想使用交叉验证来实现这一点,但是不能找出使用cross_val_score函数来实现的正确方法。
根据我看到的和一些,我需要传递函数模型、特性、结果和评分方法。然而,AUC不需要预测,它需要概率,所以它可以尝试不同的阈值,并基于此计算ROC曲线。那么,这里的正确方法是什么?这个函数将'roc_auc'作为一种可能的评分方法,所以我假设它与它兼容,只是不确定正确的使用方法。下面是示例代码片段。
from sklearn.linear_model import LogisticRegression
from
我想画出时间序列和对其未来价值的预测。我使用的是自回归模型。我不确定我使用的策略是否正确。但我想在未来估计15个时间戳的时间序列数据。我希望在不同的可能性之间有一个填充: import numpy as np
from numpy import convolve
import matplotlib.pyplot as plt
plt.style.use('ggplot')
def moving_average(y, period):
buffer = []
for i in range(period, len(y)):
buffer.appe
我正在使用glmnet训练逻辑回归模型,然后尝试获得具有特定lambda的系数。我在这里使用了一个简单的例子:
load("BinomialExample.RData")
fit = glmnet(x, y, family = "binomial")
coef(fit, s = c(0.05,0.01))
我检查了fit$lambda的值,但在fit$lambda中找不到具体的值0.05或0.01。那么coef如何返回lambda不在fit$lambda向量中的系数呢?
我有点新的时间序列预测和深入学习。我有一个关于太阳辐射的数据集,我正在使用木星笔记本。我将数据分为火车、val和测试三部分。训练模型并在测试数据集上得到预测。该数据集是从2010年至2020年每小时组成的。我想做未来的预测,比如2021年到2024年。dataset和当前的绘图是这样的:
这些是我在火车、val和测试数据集上所做的预测。
。但我无法做出未来的预测。我扩展了数据集以用于未来的预测。
但无法做出预测。另外,如何处理这些NaN值?
## Made a function for window size took the window size as 24
def df
我不知道该怎么做才能让这个模型工作。它说要重塑,但我已经这样做了,但是我得到了一个不一致的样本到数据的错误。我不明白这种事情是怎么一直发生的。我运行过其他没有问题的模型,但我搞不懂为什么现在会发生这种情况。 import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import LassoLarsCV
from sklearn.model_selection import train_test_split
from sklearn.pipeline impo
我给一个网络提供了一个带有峰值的XY信号。我能产生10,000个样本信号。每个信号都有随机数目的峰值。每次发出信号时,我都会在解决方案数组中保存峰值的#。目标是训练网络根据信号数据找到峰值的#。因此,该网络的输入和输出是:
10,000Y_Train:X_Train: 2 x 100 x1 x 10,000 x 1
但是,这会导致以下错误:
ValueError:数据基数是模棱两可的:X尺寸:2y大小:1确保所有数组都包含相同数量的样本。
这是我的密码。
Data = DataMaker(100000,ScanSize,1)
Data.MakeLotsPks(10000)
Dims = D
我有以下的时间序列,我分为火车,瓦尔和测试:
📷
基本上,我对ARIMA和LSTM进行了关于这些数据的培训,结果完全不同,就预测而言: ARIMA:
📷
LSTM:
📷
现在,也许我是通过了,在某种程度上,测试设置为LSTM,以便表现得更好?或者LSTM仅仅是比ARIMA更好?下面是一些代码。请注意,为了在将来进行预测,在训练和预测: ARIMA代码之前,我要在我的系列中添加新的和最后的预测值:
# Create list of x train valuess
history = [x for x in x_train]
# establish list for predictions
mo
我正在此上进行支持向量回归,我认为我正在启动SVR,可能在调用变量或使用内核的方式上出错。MWE的代码相当长,因此我对其进行了大量注释,并突出显示了相关部分
# Import libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import scikit_posthocs as sp
import seaborn as sns
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection im
可能重复:( stats.SE的交叉帖子,但我是由国防部派过来的)
我试图在SAS中得到我的预测的平方误差之和,但我不确定我是否正确。我不确定我是否完全理解我的代码获得的输出(特别是stdp):
data tridata;
infile '\data.dat';
input x1 x2 x3 y;
proc sort data = tridata; by x3;
proc reg data = tridata;
model y=x3;
plot r. * x3;
output out = tridata2 r = r