1.项目背景K近邻算法回归模型则将离待预测样本点最近的K个训练样本点的平均值进行待预测样本点的回归预测。K近邻除了能进行分类分析，还能进行回归分析，即预测连续变量，此时的KNN称为K近邻回归模型。回归问题是一类预测连续值的问题，而能满足这样要求的数学模型称作回归模型，本项目应用K近邻回归模型进行探索新冠疫情、原材料、人工、物流等因素对零部件价格的影响。2.数据获取本次建模数据来源于网络(本项目撰写
转载
2024-03-08 16:42:47
61阅读
本专栏内包含基于GNN的项目实战案例（PyG实现），以及研究多年遇到的问题和一些总结与注意事项，理论与实践相结合，每一个代码实例都附带有完整的代码。
原创
2023-04-04 21:14:33
917阅读
day10 数据分析线性回归例子城市气候与海洋的关系研究import numpy as np
import pandas as pd
from pandas import DataFrame,Series
import matplotlib.pyplot as plt
%matplotlib inline导入数据各个海滨城市数据ferrara1 = pd.read_csv('./ferrara_
转载
2024-07-31 16:45:19
33阅读
回调函数Callbacks回调函数是一组在训练的特定阶段被调用的函数集，你可以使用回调函数来观察训练过程中网络内部的状态和统计信息。通过传递回调函数列表到模型的.fit()中，即可在给定的训练阶段调用该函数集中的函数。【Tips】虽然我们称之为回调“函数”，但事实上Keras的回调函数是一个类，回调函数只是习惯性称呼Callbackkeras.callbacks.Callback()这是回调函数的
原始GNN是应用在带标签信息的节点和无向边的图上，这是最简单的图结构。但是世界上有很多不同种类的图，而这就要求不同的GNN来处理。这里介绍几种不同种类的图：有向图：无向边可以当作节点中存在两个有向边。但有向边能够比无向边带来更多的信息。比如说知识图谱中就用到了有向边，来确定父项和子项。异构图：异构图是指存在几种不同类型的节点。处理异构图最简单的方法是把节点的类型视为节点特征的一部分，拼接到节点原有
转载
2024-03-26 07:03:07
198阅读
在目前的机器学习领域中，最常见的三种任务就是：回归分析、分类分析、聚类分析。在之前的文章中，我曾写过一篇<15分钟带你入门sklearn与机器学习——分类算法篇>。那么什么是回归呢？回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。回归分析在机器学习领域应用非常广泛，例如，商品的销量预测问题，交通流量预测问题。那么，如何为这些回归问题选择最合适的机器
转载
2024-07-17 06:34:09
166阅读
文章目录第一部分：开篇为什么要在图上进行深度学习？问题的分类将神经网络应用于图的挑战参考资料第二部分
原创
2022-08-25 11:22:23
1444阅读
文章目录01 Gpy的简介与安装1.0 **PyG** *(PyTorch Geometric)*简介1.2 安装02. 基于案例的介绍2.1 图上的数据处理2.2 常用的benchmark数据集2.3 Mini-batches(最小批次)2.4 数据转化(Data Transforms)2.5 在图上训练和评估模型2.6 练习 01 Gpy的简介与安装相关资料推荐：Gpy官方文档：:
转载
2023-10-13 22:22:06
301阅读
《Semantic Graph Convolutional Networks for 3D Human Pose Regression》论文解读 Abstract 1. Introduction 2. Related work3. Semantic Graph Convolutional Networks3.1. ResGCN: A Baseline3.2. Semantic Graph Con
转载
2024-10-29 11:11:27
49阅读
写在开头由于某些原因开始了机器学习，为了更好的理解和深入的思考（记录）所以开始写博客。学习教程来源于github的Avik-Jain的100-Days-Of-MLCode英文版：https://github.com/Avik-Jain/100-Days-Of-ML-Code中文翻译版：https://github.com/MLEveryday/100-Days-Of-ML-Code本人新手一枚，所
文章目录一、GNN概述1.1 GNN特点1.2 图类型与传播1.3 训练方法与GNN变体1.4 传播步骤与GNN变体二、GNN框架2.1 GNN的三大通用
原创
2022-08-24 21:43:35
4348阅读
在数据科学和工程领域，数据可视化是一项非常重要的任务。Python pyqtgraph库是一个功能强大的数据可视化工具，可以帮助用户快速、高效地可视化各种类型的数据，包括实时数据、大数据集和3D数据等。本文将介绍pyqtgraph库的基本功能、高级功能以及实际应用场景，并提供丰富的示例代码帮助理解和使用该库。安装使用pip安装pyqtgraph库的方法非常简单：pip install pyqtgr
转载
2024-11-02 11:14:34
88阅读
“ 在深度学习领域中，样本数据输入网络之前一般都做一个normalization预处理，把数据钳制到一定范围，确保不同样本的数据都属于同一量级，这样可加快训练速度，并提升训练模型的泛化能力。”全局对比度归一化（Global contrast normalization, 简称GCN）正是这样一种常用的数据预处理方法。01—GCN的统计学基础知识假设有n个数据：将以上每个数据都减去它们的均
转载
2024-04-26 11:44:09
166阅读
入门示例
原创
精选
2023-05-03 10:53:00
771阅读
# 图神经网络 PYG示例代码实现
## 1. 整体流程
为了实现"图神经网络 PYG示例代码"，我们需要经历以下步骤：
| 步骤 | 说明 |
| - | - |
| 1 | 导入必要的库和模块 |
| 2 | 加载数据集 |
| 3 | 构建图神经网络模型 |
| 4 | 定义损失函数和优化器 |
| 5 | 训练模型 |
| 6 | 评估模型 |
| 7 | 使用模型进行预测 |
下
原创
2023-10-12 10:45:39
124阅读
目录1、简介2、图神经网络与异常检测小引图异常检测背景系统PyGOD 基准BOND综述未来方向 总结小结QA3、参考1、简介摘要：在这次演讲中，赵越会围绕异常检测与图上的异常检测来介绍他参与多校联合的Python Graph Outlier Detection (PyGOD)工具库，以及最近的NeurIPS论文：BOND: Benchmarking Unsupervised O
图神经网络（Graph Neural Networks，GNN）是一类专门处理图结构数据的深度学习模型。与传统的深度学习模型不同，GNN能够直接处理节点和边之间的关系，捕捉图的结构信息。其核心思想是通过消息传递机制，使节点能够聚合其邻居节点的信息，从而更新自身的表示。GNN的基本原理：节点表示更新： 每个节点通过聚合其邻居节点的特征来更新自身的表示。这种聚合通常是加权求和，权重可以是固定的，也可以
一、表示学习表示学习：自动地学习出有效的特征，并提高最终机器学习模型的性能。好的表示：一个好的表示应该具有很强的表示能力，即同样大小的向量
原创
2023-04-06 11:46:06
472阅读
文章目录图神经网络（Graph Neural Networks）简单介绍什么是图神经网络图神经网络的基本概念1. 图（Graph）2. 邻接矩阵（Adjacency Matrix）3. 图信号（Graph Signal）4. 图卷积（Graph Convolution）主要图神经网络模型1. GCN（Graph Convolutional Networks）2. GAT（Graph Attent
转载
2023-09-28 06:35:29
381阅读
《深入浅出图神经网络》GNN原理解析☄学习笔记（三）卷积神经网络 文章目录《深入浅出图神经网络》GNN原理解析☄学习笔记（三）卷积神经网络卷积与池化信号处理中的卷积单通道卷积多通道卷积池化卷积神经网络卷积神经网络的特点特殊的卷积形式1x1卷积转置卷积空洞卷积分组卷积深度可分离卷积 卷积神经网络（Convolutional Neural Network， CNN或 ConvNet）是一种具有局部连
转载
2024-01-12 14:42:19
105阅读
