Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1923

Yeni yorum
 
mytarmailS :


Bana öyle geldi, yoksa boyutu öğretmensiz mi küçültürsünüz?'uwot'tan (umap) bahsediyorum.

 
Vladimir Perervenko :

Bana öyle geldi, yoksa boyutu öğretmensiz mi küçültürsünüz?'uwot'tan (umap) bahsediyorum.

Evet, sadece "umap" paketini kullanıyorum

 
mytarmailS :

Evet, sadece "umap" paketini kullanıyorum

Mantıklı değil. Hedefinize uygun bir alana küçülmek, dönüşümün amacıdır. Ayrıca, bunlar sadece tSNE gibi eğitmekle kalmayıp yeni verileri işleme (geçerli/test) yeteneği sağlayan iki pakettir.

Dönüşümden sonra dbscan ile kümeleme. Ortaya çıkan kümeler, gömülü değişkenlere ek bir öngörücü olarak. Burada seçenekler var.

İyi şanlar

 
mytarmailS :

Evet, sadece "umap" paketini kullanıyorum

yöntemin adı ne Ne var ki? python'a bakardım

resimlerde bir tür amip ve hücre yaşamı

bu arada sihirbaz da benzer dönüşümler gösterdi. Orada uzayan, sonra elipslere sıkıştırılan noktaları vardı, buna benzer bir şey hatırlıyorum.

 
Maksim Dmitrievski :

yöntemin adı ne Ne var ki? python'a bakardım

resimlerde bir tür amip ve hücre yaşamı

Python'da aynı adı taşıyan paket umap'tır.

 
Vladimir Perervenko :

Python'da aynı adı taşıyan paket umap'tır.

teşekkürler, bir bakacağım

 
Vladimir Perervenko :

Hedefinize uygun bir alana küçülmek, dönüşümün amacıdır.

Duc, nasıl yapılır, bu yazışmalar hedefe nereden ulaşılır? Ve genel olarak, bu kavramla ne demek istiyorsun?

Vladimir Perervenko :

Ayrıca, bunlar sadece tSNE gibi eğitmekle kalmayıp yeni verileri işleme (geçerli/test) yeteneği sağlayan iki pakettir.

Biliyorum, bu yüzden bu paketi seçtim.

Vladimir Perervenko :

Dönüşümden sonra dbscan ile kümeleme. Ortaya çıkan kümeler, gömülü değişkenlere ek bir öngörücü olarak. Burada seçenekler var.

Biliyorum)) hakkında son sayfada yazdım   veri taraması )

Ama aynı zamanda bir güçlük de olacak, ilki için kümelerle oynamak hala gerekli olacak; ikincisi için, yeni verileri çılgınca yavaş tanıyor.

Bir yerde okudum - eğer paketin r-studio'da yapılması planlanmışsa, çip görünmeliydi - kümenin manuel olarak fare ile seçilebileceğini, bununla ilgili bir şey duydunuz mu?

 
Maksim Dmitrievski :

teşekkürler, bir bakacağım

Ben sadece onu kullanıyorum, daha doğrusu R'deki sargısını

 
mytarmailS :

Duc, nasıl yapılır, bu yazışmalar hedefe nereden ulaşılır? Ve genel olarak, bu kavramla ne demek istiyorsun?

Biliyorum, bu yüzden bu paketi seçtim.

Biliyorum)) hakkında son sayfada yazdım   veri taraması )

Ama aynı zamanda bir güçlük de olacak, ilki için kümelerle oynamak hala gerekli olacak; ikincisi için, yeni verileri çılgınca yavaş tanıyor.

Bir yerde okudum - eğer paketin r-studio'da yapılması planlanmışsa, çip görünmeliydi - kümenin manuel olarak fare ile seçilebileceğini, bununla ilgili bir şey duydunuz mu?

Sırayla:

Sabitleri ayarla:

 #---const-------------------------------
evalq({
  n_n <- 15 L
  min_d <- 0.1
  n_c <- 3 L
  metr <- "euclidean" # "euclidean" (the default ) "cosine" "manhattan"
  lr <- 0.75
  scale <- "none" 
   #               "none"
   #               "scale" or TRUE ,
   #               "maxabs" Center each column to mean 0 , then divide each element by the maximum 
   #                         absolute value over the entire matrix.
   #               "range"
  init <- "spectral" # "spectral" # "normlaplacian" . # "random" .
   # "lvrandom" . # "laplacian" .   # "pca" . # "spca" .
}, env)

Denetimli öğrenme için formüle bir hedef y eklememiz ve modeli döndürmek istediğimizi belirtmemiz yeterlidir (ret_model = TRUE).

 #-----superveised------------------
evalq({
  y <- factor(denoiseX1pretrain$origin$y)
  origin.sumap <- umap(X = x, y = y, approx_pow = TRUE, n_neighbors = n_n, 
                       learning_rate = lr, min_dist = min_d, n_components = n_c, ret_model = TRUE,
                       metric = metr, init = init, n_threads = 4 L, scale = scale)
}, env)

Bir modele sahip olarak, orijin veri grubunun üç boyutlu ve diğer alt kümelerini tren / test / test1'e dönüştürebiliriz. Aşağıdaki kod 

#---train--------------------------------
evalq({
   set .seed( 1337 )
  umap_transform(X = X1$train$x, model = origin.sumap, n_threads = 4 L, 
                 verbose = TRUE) -> train.sumap
}, env)
#---test--------------------------------
evalq({
   set .seed( 1337 )
  umap_transform(X = X1$test$x, model = origin.sumap, n_threads = 4 L, 
                 verbose = TRUE) -> test.sumap
}, env)
#---test1-------------------------------
evalq({
   set .seed( 1337 )
  umap_transform(X = X1$test1$x, model = origin.sumap, n_threads = 4 L, 
                 verbose = TRUE) -> test1.sumap
}, env)

x / y'nizi değiştirin ve verileri iki gruba ayrılmış üç boyutlu uzayda alın. Bitmemiş bir makaleden alınmıştır. Bir yerde resimler var ama şimdi bulamıyorum. Gerekirse yarın ararım. Ama bence seninkini alabilirsin.

İyi şanlar

 

Bulundu

resdimX1_origin

1...191619171918191919201921192219231924192519261927192819291930...3399
Yeni yorum