小编cat*_*ure的帖子

在如何将数组数组转换为矩阵？我们学习了如何将数组数组转换为矩阵.但另一种方式呢？我们如何从去input到output,如下图所示？

input = [1 2 3; 4 5 6; 7 8 9]
output = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

I would like to understand, from the user point of view, the differences in multithreading programming models between Julia >= 1.3 and Python 3.

Is there one that is more efficient than the other (in the sense that rising the thread numbers reduces more the computational time) ? In which situations (e.g. one model may have an edge, but only on computational or memory intensive tasks) ?

一个比另一个更实用/提供更高级别的功能吗？

一个比另一个更灵活（例如，它可以应用于更广泛的案例集）？

我正在使用光谱聚类方法来聚类我的数据。实现似乎工作正常。但是，我有一个问题 - 我有一组看不见的点（训练集中不存在），并且想根据 k-means 得出的质心对这些点进行聚类（论文中的第 5 步）。然而，k-means 是在 k 个特征向量上计算的，因此质心是低维的。

有谁知道一种方法，可以将看不见的点映射到低维，并计算投影点与步骤5中k-means导出的质心之间的距离。

看起来，当caret你训练模型时，你几乎被迫进行参数调整。我知道这通常是一个好主意，但是如果我想在训练时明确说明模型参数怎么办？

svm.nf <- train(y ~ .,
                data = nf,
                method = "svmRadial",
                C = 4, sigma = 0.25, tuneLength = 0)

出了问题；所有 RMSE 指标值均缺失：

    RMSE        Rsquared  
 Min.   : NA   Min.   : NA  
 1st Qu.: NA   1st Qu.: NA  
 Median : NA   Median : NA  
 Mean   :NaN   Mean   :NaN  
 3rd Qu.: NA   3rd Qu.: NA  
 Max.   : NA   Max.   : NA  
 NA's   :2     NA's   :2    

train.default（x，y，weights = w，...）中的错误：停止另外：警告消息：在nominalTrainWorkflow（x = x，y = y，wts =weights，info = trainInfo，：存在缺失值在重新抽样的绩效指标中。

我有一个包含10个项目的数据框,我想否定偶数行.我想出了这个怪物:

change_even <- data.frame(val=runif(10))
change_even$val[row(  as.matrix(change_even[,'val']) ) %% 2 == 0 ] <- -change_even$val[row(  as.matrix(change_even[,'val']) ) %% 2 == 0 ]

有没有更好的办法？

我有一个数据集，其中包含 2 个科目的学生成绩以及学生是否被大学录取的结果。我需要对数据执行逻辑回归并找到最佳参数 \xce\xb8 以最小化损失并预测测试数据的结果。我不想在这里构建任何复杂的非线性网络。

数据如下所示\n

我为逻辑回归定义了损失函数，这样效果很好

predict(X) = sigmoid(X*\xce\xb8)\nloss(X,y) = (1 / length(y)) * sum(-y .* log.(predict(X)) .- (1 - y) .* log.(1 - predict(X)))\n

我需要最小化这个损失函数并找到最佳的\xce\xb8。我想使用 Flux.jl 或任何其他使它更容易的库来完成此操作。 \n在阅读示例后我尝试使用 Flux.jl 但无法最大程度地降低成本。

我的代码片段：

function update!(ps, \xce\xb7 = .1)\n  for w in ps\n    w.data .-= w.grad .* \xce\xb7\n    print(w.data)\n    w.grad .= 0\n  end\nend\n\nfor i = 1:400\n  back!(L)\n  update!((\xce\xb8, b))\n  @show L\nend\n

我想识别一个细胞是否感染了疟疾（https://www.kaggle.com/iarunava/cell-images-for-detecting-malaria）。但是图片的尺寸不同，因此我想将每个图像的尺寸调整为相同的尺寸，以便能够使用我的第一层（具有静态尺寸）

如何在Julia中调整图像大小？还是可以仅使用流量来计算不同尺寸的图像？

问题标题说明了这一点,计算每个其他变量控制矩阵的每列之间的成对偏相关的最有效方法是什么？

基本上,类似于cor下面的函数,但导致部分相关而不是简单的相关.

#> cor(iris[,-5])
#             Sepal.Length Sepal.Width Petal.Length Petal.Width
#Sepal.Length    1.0000000  -0.1175698    0.8717538   0.8179411
#Sepal.Width    -0.1175698   1.0000000   -0.4284401  -0.3661259
#Petal.Length    0.8717538  -0.4284401    1.0000000   0.9628654
#Petal.Width     0.8179411  -0.3661259    0.9628654   1.0000000

结果应该与我们从ppcor库中获得的结果相匹配:

#> ppcor::pcor(iris[,-5])$estimate
#             Sepal.Length Sepal.Width Petal.Length Petal.Width
#Sepal.Length    1.0000000   0.6285707    0.7190656  -0.3396174
#Sepal.Width     0.6285707   1.0000000   -0.6152919   0.3526260
#Petal.Length    0.7190656  -0.6152919    1.0000000   0.8707698
#Petal.Width    -0.3396174   0.3526260    0.8707698   1.0000000

其他偏相关系数(即不是Pearson)的解决方案也是受欢迎的.

我NA在表中有正,负和值,我需要用值替换负值NA.正数和NA值应保持在表中.我的数据集类似于下面的数据集:

NO. q
1   NA
2   NA
3   -133.6105198
4   -119.6991209
5   28.84460104
6   66.05345087
7   84.7058947
8   -134.4522694
9   NA
10  NA
11  73.20465643
12  -69.90723514
13  NA
14  69.70833003
15  65.27859906

我试过这个:

if (q>0) {
    q=NA
} else {
    q=q
}

我想使用R执行傅立叶变换到时间序列.我想:

1. 得到5到18次谐波的总和
2. 绘制每一波
3. 并输出为csv文件.

这是数据的链接:数据 链接

这是我的初始代码.

dat   <- read.csv("Baguio.csv",header=FALSE)
y     <- dat$V1
ssp   <-spectrum(y)
t     <- 1:73
per   <- 1/ssp$freq[ssp$spec==max(ssp$spec)]
reslm <- lm(y ~ sin(2*pi/per*t)+cos(2*pi/per*t))
rg    <- diff(range(y))

#blue dashed line
plot(y~t,ylim=c(min(y)-0.1*rg,max(y)+0.1*rg))
lines(fitted(reslm)~t,col=4,lty=2)

#green line 2nd harmonics
reslm2 <- lm(y ~ sin(2*pi/per*t)+cos(2*pi/per*t)+sin(4*pi/per*t)+cos(4*pi/per*t))
lines(fitted(reslm2)~t,col=3)

有没有办法简化这段代码？如果我必须达到18次谐波,则等式变得非常长.另外,我仍然不知道如何在这里添加谐波.

提前谢谢了,