标签: machine-learning

我有以下10折实现,我使用UCI机器学习的数据集发布,这是数据集的链接:

Here are my dimensions

x = 

      data: [178x13 double]
    labels: [178x1 double]

这是我得到的错误

Index exceeds matrix dimensions.

Error in GetTenFold (line 33)
    results_cell{i,2} = shuffledMatrix(testRows ,:);

这是我的代码:

%Function that accept data file as a name and the number of folds
%For the cross fold
function [results_cell] = GetTenFold(dataFile, x)
%loading the data file
dataMatrix = load(dataFile);
%combine the data and labels as one matrix
X = [dataMatrix.data dataMatrix.labels];
%geting the length of the of matrix
dataRowNumber = …

我导入MATLAB文件,并构建一个数据帧,MATLAB文件包含两列和每一行维持具有基质细胞,我构建一个数据帧运行随机森林.但我得到了以下错误.

Error in model.frame.default(formula = expert_data_frame$t_labels ~ .,  : 
  invalid type (list) for variable 'expert_data_frame$t_labels'

以下是我如何导入matlab文件并构造数据帧的代码:

all_exp_traintest <- readMat(all_exp_filepath);
len = length(all_exp_traintest$exp.traintest)/2;
    for (i in 1:len) {
      expert_train_df <- data.frame(all_exp_traintest$exp.traintest[i]);
      labels = data.frame(all_exp_traintest$exp.traintest[i+302]);
      names(labels)[1] <- "t_labels";
      expert_train_df$t_labels <- labels;
      expert_data_frame <- data.frame(expert_train_df);
      rf_model = randomForest(expert_data_frame$t_labels ~., data=expert_data_frame, importance=TRUE, do.trace=100);
    }

Matlab输入文件的结构

[56x12 double]    [56x1 double]
[62x12 double]    [62x1 double]
[62x12 double]    [62x1 double]
[62x12 double]    [62x1 double]
[62x12 double]    [62x1 double]
[74x12 double]    [74x1 double]


> str(all_exp_traintest)
List of 1 …

我正在创建一种机器学习算法，并希望将其导出。假设我正在使用scikit学习库和随机森林算法。

 modelC=RandomForestClassifier(n_estimators=30)
 m=modelC.fit(trainvec,yvec)

模型

如何导出它或有任何功能？

我正在从Coursera学习机器学习。我正在尝试计算sigmoid函数，我有以下代码：

function g = sigmoid(z)
%SIGMOID Compute sigmoid functoon
%   J = SIGMOID(z) computes the sigmoid of z.

% You need to return the following variables correctly 

g = zeros(size(z));

% ====================== YOUR CODE HERE ======================

% Instructions: Compute the sigmoid of each value of z (z can be a matrix,
%               vector or scalar).



g = (1 + exp(-1 * z)) .^ -1;
 g = 1/(1+ (1/exp(z)))


% my question is why the first g calculation works for matrix(say …

我正在进行性能测量并尝试绘制ROC曲线,但要绘制ROC曲线我需要TPR和FPR.

据我们所知,

误报率(FPR)= FP /(FP + TN)

我有TN和FP的值都等于0,那么如何计算这种情况下的FPR并输入ROC曲线？

我正在研究Deep Neural Networks并且想知道以下问题:

为了获得最佳准确度,每层最佳层数和神经元数量是多少？

根据这张图片:

最佳数字是否等于要素大小,以便考虑每个要素对另一组要素的影响？

此外,如果我们寻求最佳的准确性和效率,答案会有所不同吗？

谢谢,任何见解表示赞赏!

编辑:

这些答案内容丰富.我仍然觉得他们没有特别提到我问题的第一部分.澄清:是否有最大量的神经元和层在应用时对数据同样精细,因此添加更多神经元或层将是多余的？我假设3个特征数据集的无限层在某些时候变得不必要.再次感谢所有阅读和回复!

假设我想取 4 个点簇。每个集群可以在给定的一组 xy 坐标内。簇内的每个点都是随机生成的点。

这些聚类将作为我的 K-Means 聚类问题的输入。我如何使用 Python 做到这一点？

有什么方法可以将用 R 语言编写的机器学习模型部署为 Web 服务，我知道我们有 Python 中的 Flask 等等，但没有遇到任何用于 R 机器学习代码的此类库。

我在这里问一些关于 Pytorch 和卷积自动编码器的更一般的问题。

1. 如果我只使用卷积层 (FCN)，我什至需要关心输入形状吗？然后我如何最好地选择特征图的数量？
2. ConvTranspose2d 层会自动解除池化吗？
3. 您能在我的示例中发现任何错误或非常规代码吗？

顺便说一句，我想制作一个对称的卷积自动编码器来对不同图像大小的黑白图像进行着色。

    self.encoder = nn.Sequential (
        # conv 1
        nn.Conv2d(in_channels=3, out_channels=512, kernel_size=3, stride=1, padding=1),
        nn.ReLU,
        nn.MaxPool2d(kernel_size=2, stride=2),  # 1/2
        nn.BatchNorm2d(512),

        # conv 2
        nn.Conv2d(in_channels=512, out_channels=256, kernel_size=3, stride=1, padding=1),
        nn.ReLU,
        nn.MaxPool2d(kernel_size=2, stride=2),  # 1/4
        nn.BatchNorm2d(256),

        # conv 3
        nn.Conv2d(in_channels=256, out_channels=128, kernel_size=3, stride=1, padding=1),
        nn.ReLU,
        nn.MaxPool2d(kernel_size=2, stride=2),  # 1/8
        nn.BatchNorm2d(128),

        # conv 4
        nn.Conv2d(in_channels=128, out_channels=64, kernel_size=3, stride=1, padding=1),
        nn.ReLU,
        nn.MaxPool2d(kernel_size=2, stride=2),  #1/16
        nn.BatchNorm2d(64)
    )


    self.encoder = nn.Sequential (
        # conv 5
        nn.ConvTranspose2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, …

我正在尝试使用 CoRA 数据集在张量流上训练图神经网络，这是我第一次使用 Spektral。

经过在互联网上的一些研究，我了解到 Spektral 应该有一个有用的加载器函数供我加载这个基准数据集，所以我尝试实现它：

adj,features,labels,train_mask,val_mask,test_mask=spektral.datasets.citation.load_data(dataset_name="cora")

然后我得到了这个：

AttributeError: module 'spektral.datasets.citation' has no attribute 'load_data'

我检查了 Spektral 文档，但没有找到load_data加载器功能，所以我认为有更新或其他内容。

如果任何人都可以提供任何替代方案或可能的错误解释，那将会很有帮助。