- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据分析与挖掘
pycaret之集成模型（集成模型、混合模型、堆叠模型）
1、集成模型 组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。 此函数可用于混合可以使用blend_models中的estimator_list参数传递的特定训练模型，或者如果未传递列表，它将使用模型库中的所有模型。 3、堆叠模型 堆叠模型是使用元学习的整合方法。堆叠背后的想法是建立一个元模型，该模型使用多个基本估计量的预测来生成最终预测。在PyCaret中堆叠模型就像编写stack_models一样简单。 此函数使用estimator_list参数获取训练模型的列表。所有这些模型构成了堆栈的基础层，它们的预测用作元模型的输入，可以使用meta_model参数传递该元模型。 restack参数控制将原始数据公开给元模型的能力。默认情况下，它设置为True。当更改为False时，元模型将仅使用基本模型的预测来生成最终预测。
3.7K10发布于 2020-10-27 - 来自专栏学习
【软件测试】敏捷模型（Scrum模型）和V模型、W模型
敏捷模型 前面的那些模型以前非常流行，但现在开发人员在使用的时候会遇到各种问题。主要困难包括在项目开发期间处理来自客户的变更请求，以及合并这些变更所需要的高成本和时间。 在实际工作中，一款产品的功能是不断在变化的 所以为了克服这些缺点，就提出了敏捷软件开发模型。在敏捷模型中，需求被分解成许多可以增量开发的小部分。敏捷模型采用迭代开发。每个增量部分都是在迭代中开发的。 敏捷模型主要旨在帮助项目快速适应变更请求。 V 模型 V 模型中，明确的标注了测试过程中存在的不同类型的测试 右边的测试，都需要参考左边对应高度的要求 缺点： 仅仅把测试作为在编码之后的一个阶段，未在需求阶段就介入测试。 缺点和瀑布模型一样 W 模型（双 V 模型） V 模型中未将测试前置的问题在 W 模型中得以解决 开发 V 模型并不是单单指编码阶段，而是为产品开发流程而实施的各个阶段 测试的对象不仅是程序，需求、
3.3K10编辑于 2024-11-15 - 来自专栏数据分析与挖掘
pycaret之训练模型（创建模型、比较模型、微调模型）
1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。 2、创建模型 在任何模块中创建模型就像编写create_model一样简单。它仅采用一个参数，即型号ID作为字符串。 尽管有一个单独的函数可以对训练后的模型进行集成，但是在通过create_model函数中的ensemble参数和方法参数创建时，有一种快速的方法可以对模型进行集成。 3、微调模型 在任何模块中调整机器学习模型的超参数就像编写tune_model一样简单。它使用带有完全可定制的预定义网格的随机网格搜索来调整作为估计量传递的模型的超参数。 对于有监督的学习，此函数将返回一个表，该表包含k倍的通用评估指标的交叉验证分数以及训练有素的模型对象。对于无监督学习，此函数仅返回经过训练的模型对象。
2.9K10发布于 2020-10-27 - 来自专栏HUC思梦的java专栏
瀑布模型&螺旋模型
软件开发模型： 1.瀑布模型 1）软件概念阶段 用户需求 2）需求分析 软件需求 3）架构设计 架构文档 4）详细设计 模型设计 5）编码阶段 代码文档 6）测试阶段 瀑布模型的特点是在每个阶段的工作都清晰详尽 瀑布模型还有一个缺点是项目编码处在后半程，因此客户需要等待很长时间才能体验到产品，故此需要在早期就为用户提供一个体验的样本，这个样本就是产品原型。 瀑布模型非常适合使用在需求清晰且不易改变的情况。 除此之外，遇到一个需求非常清晰的客户是使用瀑布模型的一个重要前提。 2.螺旋模型 ? 螺旋模型兼顾了快速成型的迭代特征以及瀑布模型的系统化与严格监控。 螺旋模型最大的特点在于引入了其他模型不具备的风险分析，使软件在无法排除重大风险时有机会停止，以减小损失。 螺旋模型的特点是每阶段只完成特定部分的功能，循环渐进式的开发。 螺旋模型非常适合使用在客户需求经常发生变化或者客户需求不明确的情况。
1.7K20发布于 2020-09-03 - 来自专栏Backup@zzk
生成模型&判别模型
#生成模型 #判别模型机器学习中的判别式模型和生成式模型目录：基本概念用例子说明概念判别式模型和生成式模型的区别二者所包含的算法在机器学习中，对于有监督学习可以将其分为两类模型：判别式模型和生成式模型。 1.2 生成式模型这么做一般会对每一个类建立一个模型，有多少个类别，就建立多少个模型。 生成式模型： 是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率是多少，再放到绵羊模型中看概率是多少，哪个大就是哪个。 但是，生成式模型的概率分布可以有其他应用，就是说生成式模型更一般更普适。不过判别式模型更直接，更简单。两种方法目前交叉较多。由生成式模型可以得到判别式模型，但由判别式模型得不到生成式模型。3. 判别式模型和生成式模型的区别3.1 判别式模型和生成式模型的对比图图片上图左边为判别式模型而右边为生成式模型，可以很清晰地看到差别，判别式模型是在寻找一个决策边界，通过该边界来将样本划分到对应类别。
1.3K00编辑于 2023-08-17 - 来自专栏Java架构师必看
星星模型&&雪花模型
在多维分析的商业智能解决方案中，根据事实表和维度表的关系，可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。 星型模型 当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型。 ? 雪花模型 当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。 雪花模型和星星模型的区别： 星型模型因为数据的冗余所以很多统计查询不需要做外部的连接，因此一般情况下效率比雪花型模型要高。星型结构不用考虑很多正规化的因素，设计与实现都比较简单。 在雪花模型中，数据模型的业务层级是由一个不同维度表主键-外键的关系来代表的。而在星形模型中，所有必要的维度表在事实表中都只拥有外键。 3）性能 第三个区别在于性能的不同。
1.2K31发布于 2021-08-10 - 来自专栏数据万花筒
模型分类之生成模型与鉴别模型
一、生成模型与判别模型概述 生成模型是通过联合概率分布来求条件概率分布，而判别模型是通过数据直接求出条件概率分布，换句话说也就是，生成模型学习了所有数据的特点，判别模型则只是找出分界。 ? 二、生成模型与鉴别模型详细介绍 ? ? 三、生成模型与判别模型的优缺点 概率图分为有向图（bayesian network）与无向图（markov random filed）。 在概率图上可以建立生成模型或判别模型。有向图多为生成模型，无向图多为判别模型。 生成模型（Generative Model），又叫产生式模型。 所以生成模型和判别模型的主要区别在于：添加了先验概率 即：生成模型：p(class, context)=p(class|context)*p(context) 判别模型：p(class|context) ； （5）判别模型的性能比生成模型要简单，比较容易学习。
2.2K20发布于 2020-12-30 光照模型：Phone模型
Phong模型1) 向量定义（对应图中几何关系）P：表面上一点（当前像素/片元的位置）N：该点的单位法线（图中虚线方向），N = normalize(N)L：光照方向（从点 P 指向光源 LightPos 2) Phong 三项：环境光 + 漫反射 + 镜面反射Phong 模型把最终颜色/亮度写成： I = I_ambient + I_diffuse + I_specular(1) 环境光 Ambient color = (ambient + diffuse + specular) * uObjectColor; FragColor = vec4(color, 1.0);}Blinn-Phong模型在 phong模型的基础上，改变高光的计算，不使用反射向量，取而代之的是半程向量H：H = normalize(L + V)几何意义：H 是 L 和 V 的角平分方向。 镜面反射（替换为 Half Vector）：undefined I_specular = Ks * Il * (max(dot(N, H), 0) ^ shininess)其他项计算和phong模型的计算一致
20700编辑于 2026-02-10光照模型：Gouraud模型
它不是一个新的光照模型（不改变 Phong/Blinn-Phong 的公式），这两种光照模型的不同就是在不同的阶段计算光照。 （高光消失）、高光漂移、大片三角形上光照显得不真实主要是性能成本；若法线质量差会暴露法线问题但不属于插值缺陷 适用场景 移动端/低端硬件、物体很多、以漫反射为主、网格较密的模型 高质量渲染、强高光材质（金属/塑料/车漆等）、网格较粗也要细节的情况 与光照模型关系 可搭配 Lambert/Phong/Blinn-Phong；只是“在哪算”
22100编辑于 2026-02-10- 来自专栏陶陶计算机
PyTorch 实战（模型训练、模型加载、模型测试）
本次将一个使用Pytorch的一个实战项目，记录流程：自定义数据集->数据加载->搭建神经网络->迁移学习->保存模型->加载模型->测试模型 自定义数据集 参考我的上一篇博客：自定义数据集处理 数据加载 此时拟合目标就变为F(x)，F(x)就是残差： [在这里插入图片描述] * 训练模型 def evalute(model, loader): model.eval() correct pytorch保存模型的方式有两种： 第一种：将整个网络都都保存下来 第二种：仅保存和加载模型参数（推荐使用这样的方法） # 保存和加载整个模型 torch.save(model_object , 'model.pkl') model = torch.load('model.pkl') # 仅保存和加载模型参数(推荐使用) torch.save(model_object.state_dict( model.pkl则是第一种方法保存的 [在这里插入图片描述] 测试模型 这里是训练时的情况 [在这里插入图片描述] 看这个数据准确率还是不错的，但是还是需要实际的测试这个模型，看它到底学到东西了没有
3.6K20编辑于 2022-05-12 - 来自专栏datartisan
三大数据模型：星型模型、雪花模型、星座模型
在数据仓库的建设过程中，根据事实表与维表的关系，经常将数据模型分为星型模型、雪花模型及星座模型，那么，这几种数据模型有什么区别呢？在前期规划设计时，又应该选择星型模型，雪花模型还是星座模型呢？ 星型模型是最简单最常用的模型。星型模型本质是一张大表，相比于其他数据模型更合适于大数据处理。其他模型可以通过一定的转换，变为星型模型。 星型模型的缺点是存在一定程度的数据冗余。 雪花模型 当一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。 其缺点是增加了主键-外键关联的几率，导致查询效率低于星型模型，并且不利于开发。 星座模型 星座模型也是星型模型的扩展。 对比 三种数据模型特点对比如下： 属性 星型模型（星座模型） 雪花模型 事实表 1张或多张 1张或多张 维表 一级维表 多层级维表 数据总量 多 少 数据冗余度 高 低 可读性 高 低 表个数 少 多
20.5K21编辑于 2022-08-22 - 来自专栏计算机视觉
人工智能基础——模型部分：模型介绍、模型训练和模型微调 ！！
前言 本文将从什么是模型？什么是模型训练？什么是模型微调？三个问题，来展开介绍人工智能基础的模型部分。 模型族谱 一、什么是模型 模型是一个函数：将现实问题转化为数学问题（Encoder编码器），通过求解数学问题来得到现实世界的解决方案（Decoder解码器）。 激活函数 二、什么是模型训练 模型训练：模型训练的本质是一个求解最优化问题的过程。 模型构建： 选择或设计模型架构，这可以是简单的线性模型、决策树，或是复杂的神经网络。 初始化模型参数，这些参数将在训练过程中被优化。 微调的定义 大模型微调是利用特定领域的数据集对已预训练的大模型进一步训练的过程。它旨在优化模型在特定任务上的性能，使模型能够更好地适应和完成特定领域的任务。 2.
16K23编辑于 2024-03-19 - 来自专栏机器学习AI算法工程
判别模型 和 生成模型
【摘要】 - 生成模型：无穷样本==》概率密度模型 = 产生模型==》预测 - 判别模型：有限样本==》判别函数 = 预测模型==》预测 【简介】 简单的说，假设o是观察值，q是模型 如果对P(o|q)建模，就是Generative模型。其基本思想是首先建立样本的概率密度模型，再利用模型进行推理预测。要求已知样本无穷或尽可能的大限制。 【判别模型Discriminative Model】——inter-class probabilistic description 又可以称为条件模型，或条件概率模型。 ，但由判别模型得不到生成模型。 标号场为隐随机场，它描述像素的局部相关属性，采用的模型应根据人们对图像的结构与特征的认识程度，具有相当大的灵活性。 空域标号场的先验模型主要有非因果马尔可夫模型和因果马尔可夫模型。
1.4K60发布于 2018-03-12 - 来自专栏机器学习与统计学
深度学习模型加速：Pytorch模型转TensorRT模型
经过一段时间的调研与实践，算是对模型加速这方面有了一定的了解，便促成了此文。 1、如何实现模型加速？ 既然要提升效率，实现模型加速，那么具体应该怎么做呢？ 目前常用的深度学习模型加速的方法是：将pytorch/tensorflow等表示的模型转化为TensorRT表示的模型。 pytorch和tensorflow我们了解，那么TensorRT是什么呢？ TensorRT是NVIDIA公司出的能加速模型推理的框架，其实就是让你训练的模型在测试阶段的速度加快，比如你的模型测试一张图片的速度是50ms，那么用tensorRT加速的话，可能只需要10ms。 这条路是使用最广泛的，首先将 Pytorch 模型转换为 ONNX 表示的模型；再将 ONNX 表示的模型转换为 TensorRT 表示的模型。这个方法也是本文重点介绍的方法。 至此，模型转换部分全部结束。 5、模型推断（Inference） 这部分我们要使用转换得到的.trt模型进行Inference，要解决的任务就是：如何加载该模型，输入测试数据并得到对应的输出。
2.2K21编辑于 2024-06-11 - 来自专栏Coggle数据科学
判别模型与生成模型
常见的生产模型有隐马尔科夫模型、朴素贝叶斯模型、高斯混合模型、 LDA、 Restricted Boltzmann Machine 等。 判别模型 判别方法由数据直接学习决策函数 ? 生成模型 生成方法由数据学习输入和输出联合概率分布 ? ，然后求出后验概率分布 ? 作为预测的模型，即生成模型。这里以朴素贝叶斯为例，我们要求的目标可以通过： ? ---- 判别模型与生成模型比较 判别模型： 优点： 1）仅需要有限的样本。节省计算资源，需要的样本数量也少于生成模型。 2）生成模型收敛速度比较快，即当样本数量较多时，生成模型能更快地收敛于真实模型。 3）生成模型能够应付存在隐变量的情况，比如混合高斯模型就是含有隐变量的生成方法。 ，但由判别模型得不到生成模型。
1.4K30发布于 2019-08-29 - 来自专栏NLP算法工程师之路
生成模型和判别模型
生成模型可以产生数据，判别模型只能根据数据做判断。 生成模型的指导思想是贝叶斯，判别模型的指导思想是频率学派 生成模型 生成模型（Generaive Model）一般以概率的方式描述了数据的产生方式，通过对模型采样就可以产生数据。 判别模型 判别模型（Discriminative Model）对数据之间的映射关系建模，而不考虑数据本身是如何生成的。 常见模型的分类 生成模型 高斯混合模型（和其他类型的混合模型） 隐马尔可夫模型 贝叶斯网络（例如Naive bayes，Autoregressive模型） LDA 玻尔兹曼机器（例如受限玻尔兹曼机器，深信念网络 ） 变分自动编码器 生成对抗性网络 判别模型 k-最近邻算法 逻辑回归 支持向量机 最大熵马尔可夫模型 条件随机场 神经网络
1.4K10发布于 2019-12-18 - 来自专栏浪浪山下那个村
生成模型和判别模型
生成方法和判别方法 监督学习方法又分生成方法（Generative approach）和判别方法（Discriminative approach），所学到的模型分别称为生成模型（Generative Model ）和判别模型（Discriminative Model） 判别方法 由数据直接学习决策函数 或者条件概率分布 作为预测的模型，即判别模型。 基本思想是有限样本条件下建立判别函数，不考虑样本的产生模型，直接研究预测模型。典型的判别模型包括k近邻，感知级，决策树，支持向量机等。 缺点是不能反映训练数据本身的特性 生成方法 由数据学习联合概率密度分布 ，然后求出条件概率分布 作为预测的模型，即生成模型： image.png 基本思想是首先建立样本的联合概率概率密度模型 这样的方法之所以成为生成方法，是因为模型表示了给定输入X产生输出Y的生成关系。用于随机生成的观察值建模，特别是在给定某些隐藏参数情况下。典型的生成模型有：朴素贝叶斯法、马尔科夫模型、高斯混合模型。
1.1K30编辑于 2022-06-17 - 来自专栏四火的唠叨
贫血模型和充血模型
这两个概念是早些时候 Martin Fowler 总结出来的两种常见模型设计类型，没有说谁好谁不好，为不同的模型类别选择合适的场景是设计者的工作。没有工具本身的问题，只有工具使用者的问题。 它的优点是面向对象，Business Logic 符合单一职责，不像在贫血模型里面那样包含所有的业务逻辑太过沉重。 使用 RoR 开发时， 每一个领域模型对象都可以具备自己的基础业务方法，通常满足充血模型的特征。充血模型更加适合较复杂业务逻辑的设计开发。 充血模型的层次和模块的划分是一门学问，对开发人员要求亦较高，可以考虑定义这样的一些规则： （1）事务控制不要放在领域模型的对象中实现，可以放在 facade 中完成。 （2）领域模型对象中只保留该模型驱动的一般方法，对于业务特征明显的特异场景方法调用放在 facade 中完成。 万事都不是绝对的，也有一些看起来不易解决的问题。
71710编辑于 2022-07-15 - 来自专栏二猫の家
三种数据模型---层次模型、网状模型以及关系模型
一、层次数据模型 定义：层次数据模型是用树状<层次>结构来组织数据的数据模型。 层次数据模型只能表示实体之间的1:n的关系，不能表示m:n的复杂关系，因此现实世界中的很多模型不能通过该模型方便的表示； 3.查询节点的时候必须知道其双亲节点的，因此限制了对数据库存取路径的控制 二、网状数据模型 定义：用有向图表示实体和实体之间的联系的数据结构模型称为网状数据模型。 其实，网状数据模型可以看做是放松层次数据模型的约束性的一种扩展。 修改网状数据模型时，没有层次状数据模型的那么多的严格限制，可以删除一个节点的父节点而依旧保留该节点；也允许插入一个没有任何父节点的节点，这样的插入在层次状数据模型中是不被允许的，除非是首先插入的是根节点 网状数据模型数据之间的彼此关联比较大，该模型其实一种导航式的数据模型结构，不仅要说明要对数据做些什么，还说明操作的记录的路径； 三、关系型数据模型 关系型数据模型对应的数据库自然就是关系型数据库了
16.9K42编辑于 2022-11-30 - 来自专栏人工智能LeadAI
判别模型和生成模型
判别模型和生成模型总结与对比： 判别模型(Discriminative Models) 生成模型(Generative Models) 特点 在有限样本条件下建立判别函数，寻找不同数据间的最优分类面， 目标是实现分类 首先建立样本的联合概率分布，再利用模型进行推理预测。 要求已知样本无穷或尽可能的大 区别 估计条件概率分布P(y\x) 估计联合概率分布P(x,y) 联系 生成模型可得到判别模型 判别模型得不到生成模型 常见模型 ME、CRF、LR、SVM、Boosting 3.模型可以通过增量学习得到。4.可用于数据不完整的情况 劣势 1.不能反映训练数据本身的特性，只能用于类别识别。 黑盒操作：变量间的关系不可视 1.生成模型分类器需要产生的所有变量的联合概率，资源使用量大。2.分类性能不高，类别识别精度有限。3.学习和计算过程复杂。
91940发布于 2018-07-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号