小编gug*_*n1c的帖子

我正在使用来自scikit-learn的StratifiedKFold,但现在我还要注意"团体".有很好的功能GroupKFold,但我的数据非常依赖于时间.与帮助中的相似,即周数是分组索引.但每周应该只有一个折叠.

假设我需要10倍.在我可以使用GroupKFold之前,我需要先将数据混洗.

洗牌是小组的 - 所以整个小组应该互相洗牌.

有办法做的是scikit - 以某种方式学习优雅吗？在我看来,GroupKFold首先可以自动调整数据.

如果没有办法用scikit做,有人可以写一些有效的代码吗？我有大量的数据集.

矩阵,标签,组作为输入

我正在使用来自weka的Reptree算法。这个算法没有详细的文档，只有：

快速决策树学习器。使用信息增益/方差减少来构建决策/回归树，并使用减少错误修剪（使用反向拟合）对其进行修剪。仅对数值属性的值排序一次。缺失值通过将相应的实例分成几部分来处理（即在 C4.5 中）。

任何人都可以解释一下，这是什么意思：“仅对数字属性的值进行一次排序。”

我正在尝试重新实现这个算法，但仍然没有得到接近的结果。

谢谢

卢博米尔

我在Python中有这个列表:

[array([1, 2, 3]), array([3., 4., 5., 6., 7.]), array([7, 8])]

我想将此导出到csv看起来像这样 - 新行上的每个数组......

1, 2, 3

3., 4., 5., 6., 7.

7, 8

每个阵列都有不同的长度.

我尝试使用numpy.savetxt,numpy.vstack但这些不同的长度给我带来了问题.

有人可以帮忙吗？

假设我有 100k x 400 的数据集。我创建了这个模型：

model = Sequential()
model.add(Dense(200, input_dim = 400, init = init_weights))
model.add(BatchNormalization())
model.add(SReLU())
model.add(Dropout(0.5))
model.add(Dense(200, init = init_weights))
model.add(BatchNormalization())
model.add(SReLU())
model.add(Dropout(0.5))
model.add(Dense(1, activation = 'linear', init = init_weights))

比我打电话

model.compile(loss = ..

和

model.fit(input_matrix,..

训练后我可以调用 model.predict(.. 进行预测。

我想要得到的是没有最后一个线性层的模型的预测矩阵。

所以像这样：

model.remove_last_layer
pred_matrix = model.predict(input_matrix)

输出是 100k x 200 数组，我该如何使用 keras 做到这一点？多谢

在Julia(2d阵列)中给出矩阵的最佳方法是什么？

函数shuffle()不起作用.

我的意思是随机洗牌行(不是所有元素).

抱歉愚蠢的简单问题,朱莉娅的新手:

我想像这样初始化数组:

folds = [[], [], [], [], [], [], [], []],但不是手动.

在Python中我只是写

folds = [[]] * 8,但这不适用于朱莉娅.

朱莉娅怎么可能这样呢？我试了几次,但现在成功了.你能解释一下吗？

谢谢.