周志华 机器学习 笔记 首先的阶段由卷积层和池化层组成，卷积的节点组织在特征映射块（feature maps）中，每个节点与上一层的feature maps中的局部块通过一系列的权重即过滤器连接。加权和的结果被送到非线性函数中如ReLU。一个feature maps中所有的节点分享相同的过滤器，即共享权重。这种结构的原因是双重的，第一,图像中一个值附近的值是高度相关的，第二，不同区域的值
利用SPSS检验数据是否符合正态分布正态分布也叫常态分布，在我们后面说的很多东西都需要数据呈正态分布。下面的图就是正态分布曲线，中间隆起，对称向两边下降。下面我们来看一组数据，并检验“期初平均分” 数据是否呈正态分布(此数据已在SPSS里输入好)在SPSS里执行“分析—>描述统计—>频数统计表”(菜单见下图，英文版的可以找到相应位置)，然后弹出左边的对话框，变量选择左边的“期初平均分”
转载
2024-08-14 12:12:23
537阅读
对于8个单细胞转录组数据集，用NMI和SE算法聚类，得到ARI和NMI评估指标：统计上述8个数据集的ARI和NMI均值，作为NMI和SE聚类的性能评估，但均值可能是随机采样导致的结果更优，如果要严格说明需进行统计学分析，如Mann-Whitney U等统计方法，如果得到pvalue小于0.05则从统计学上认为两者存在显著差异，SE确实优于NMI。--------------------------
转载
2023-11-24 13:32:48
471阅读
判别分析 的SPSS操作流程 1．Discriminant Analysis判别分析主对话框 图 1-1 Discriminant Analysis 主对话框 （1）选择分类变量及其范围 在主对话框中左面的矩形框中选择表明已知的观测量所属类别的变量(一定是离散变量)， 按上面
转载
2024-04-22 10:10:41
526阅读
简介在总体分布未知的条件下对样本来自的两相关配对总体是否具有显著差异进行的检验，可以判断两个相关的样本是否来自相同分布的总体检验方法符号检验 符号检验是一种利用正、负号的数目对某种假设作出判定的非参数检验方法。符号检验的基本思路是，将第二组样本的每个观测值减去第一个样本的对应观测值，观测所得到的差值的符号，如果差值中正数的个数和负数的个数差距较大，则认为两样本来自的两相关配对总体具有显著差异Wi
转载
2024-06-28 05:42:00
429阅读
奇偶校验码海明校验码循环冗余校验码奇偶校验码奇偶校验码是奇校验码和偶校验码的统称，是一种 「检错码」，用于检查二进制数据的 「位错」。奇偶校验码分为奇校验码和偶校验码两种方法。奇校验：1的个数为奇数偶校验：1的个数为偶数一、奇校验码奇校验码在数据发送前，「检查」1的个数，「奇数」个1就在头部填充0，「偶数」个1就在头部填充1，使数据整体保持奇数个1；接收数据时，重新检查1的个数： &nb
转载
2024-07-01 15:35:20
247阅读
文章目录一、异常检测的概念和应用1.1 异常检测的概念1.2 异常检测的应用二、高斯分布三、异常检测算法3.1 密度估计3.2 异常检测算法3.3 具体例子四、开发和评价一个异常检测系统4.1 数据的划分4.2 具体的算法评估方法4.3 具体例子五、异常检测与监督学习对比六、特征选择6.1 特征转换6.2 误差分析6.3 具体例子七、多元高斯分布7.1 多元高斯分布的概念7.2 协方差矩阵对模型
转载
2024-10-24 12:36:02
62阅读
异常检测也属于无监督学习,但是看起来又有点像是监督学习，其实异常检测依靠个人理解为如果有一堆数据聚集在一个范围内，这个范围内的数据都为正常(相比较与异常)，如果新输入一个数据，即要检测该数据是否处于该范围内。属于正常的数据或者异常，所以叫做异常检测。1 问题的动机(Problem Motivation) 什
Sklearn模型选择实战综述本篇博文详细讲解了机器学习中模型选择的理论知识。主要分为以下五个模块。经验误差与过拟合评估方法性能度量比较检验偏差与方差一、经验误差与过拟合机器学习始终都在关注一个误差的概念，学习器在训练集上的误差称为training error。在新样本的误差称为泛化误差（generalization error），显然我们希望得到泛化误差小的学习器。为了达到这个目的我们必须尽可能
本章主要介绍异常检测（Anomaly detection）问题，这是机器学习算法的一个常见应用。这种算法的有趣之处在于，它虽然主要用于非监督学习问题，但从某些角度看，它又类似于一些监督学习问题。Problem motivation主要介绍了什么是异常检测，以及其应用。Anomaly detection example下面通过一个例子介绍什么是异常检测。假如我们测量了飞机引擎的一些特征值，E.g.h
非参数检验概念数据描述的三个角度：集中趋势，离散程度和分布形态。常用统计推断检验方法分为两大类：参数检验和非参数检验。参数检验通常是假设总体服从正态分布，样本统计量服从T分布的基础之上，对总体分布中一些未知的参数，例如总体均值、总体方差和总体标准差等进行统计推断。如果总体的分布情况未知，同时样本容量又小，无法运用中心极限定理实施参数检验，推断总体的集中趋势和离散程度的参数情况。这时，可以用非参数
转载
2024-05-12 17:57:50
1433阅读
How the Mann-Whitney test worksMann-Whitney检验又叫做秩和检验，是比较没有配对的两个独立样本的非参数检验。思想是这样的：假定要检验两组数据之间有没有差异。首先，不管 分组把所有数据排序。按照数值大小给定一个值叫做秩。最小的值秩为1，最大的为N（假定两个样本总共有N个观察值）。如果有相同的值，就得到相同的秩。相 同的值的秩是他们的秩的平均值。如果两组的秩的和
转载
2024-09-18 20:26:57
127阅读
正规的合作，和客户签署软件使用合同，客户实际上是需要一系列的文档的清单，反思一下对整个项目开发的专业流程，一直不太重视，实际上非常重要的，这个测试报告，内容非常全面，详细，几乎涵盖各个方面，还是有一定的价值，现在发布在这里，希望给有需要的人一些参考个人产品销售辅助系统测试方案目录1、 概述 12、 测试过程 12.1阶段过程 12.2人员安排 12.3测试过程 12.4版本发布过程 5
目录1、Mann-whitney 算法简介2、定义3、Mann-whitney 算法步骤 4、matlab函数5、实例及matlab代码独立双样本的非参数检验，不满足正态分布的小样本，秩和检验 X Y样本数量可以不相等参考链接：1、Mann-whitney 算法简介曼-惠特尼U检验又称“曼-惠特尼秩和检验”，是由H.B.Mann和D.R.Whitney于1947年提出的 [1]
题目：Friedman test以及后续检验Nemenyi test和Bonferroni-Dunn test在做算法对比时，往往需要对实验结果进行统计检验。Friedman test是一种常用的检验，用来比较k个算法在N个数据集上的整体表现性能。但Friedman test只能给出k个算法的性能之间是否存在差异的结论，如果存在差异，还需要进行“后续检验”(post-hoc test)，以得出哪些
概要Spss概述下载与安装窗口介绍常用功能详情Spss概述 SPSS（Statistical Product and Service Solutions），即“统计产品与服务解 决方案”，是世界上最早的统计分析软件。 2009年，SPSS公司被IBM收购。SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，无需编程。软件特点1
20世纪，人类跨入了以“加工机械化、经营规模化、资本垄断化”为特征的工业化时代，质量管理已经不再处于质量检验阶段和统计质量控制阶段了。质量检验所使用的手段，就是各种检测设备和仪表，方式是严格把关，进行百分比的检验。是在成品中挑出废品，以保证出厂产品质量。但这种事后检验把关，无法在生产过程中起到预防、控制的作用。废品已成事实，很难补救，也造成了生产资料的浪费。在大批量生产的情况下，弊端就尤为显现。后
线性回归回顾：解析解（矩阵），数值解随机，p ，小p-梯度下降（mini-batch）L1正则化对应岭回归，L2对应lasso回归分类评价:混淆矩阵:正例，反例，预测结果，真实情况--查准率，查全率--PR图（调和平均），BEP（1.看曲线能否包出，2.平衡点，在外性能更好）多混淆矩阵（宏）聚类评价：外部指标，内部指标比较检验看泛化的效果，这才是真正需要的：留出法/交叉检验法->t分布检验所
# Python的Nemenyi检验函数实现
## 导言
在统计学中，Nemenyi检验是一种用于多组样本之间进行多重比较的非参数检验方法。该方法可以用于比较多组样本的均值是否具有显著差异。在本文中，我将教会你如何使用Python实现Nemenyi检验函数。
## Nemenyi检验流程
下面是Nemenyi检验的主要步骤和流程：
| 步骤 | 动作 |
|-----|-
原创
2023-09-12 03:53:57
628阅读
一、K-means聚类K均值聚类是一种常见的无监督学习算法，在modeler中无监督体现在设置“类型”节点并读取值时，没有一个字段的角色是目标。它的原理是将数据分成k个簇，每个簇的中心是该簇中所有点的平均值（中心点不一定是现存的点）。在聚类过程中，每个点被分配到与其最近的中心点所在的簇中，直到簇的中心不再发生变化或发生的变化可以忽略不计。K均值聚类算法的优点是简单易懂、易于实现，并且可以处理大规模
转载
2024-09-11 01:13:28
126阅读
