predict相关内容
信号看起来像这样 原始信号 使用 plot(output.diff())获得的差分信号看起来像这样 差分信号 接下来,通过分析ACF和PACF获得ARIMA模型的参数 模型通过以下方式拟合 模型= ARIMA(输出值,顺序=(2,1,1)) model_fit = model.fit(disp = 0) 当我使用 model_fit.plot_
..
我正在使用Keras进行CNN两类分类.训练时,我的val_acc高于95%.但是,当我为相同的验证数据预测结果时,acc小于60%,那有可能吗?这是我的代码: from keras.preprocessing.image import ImageDataGenerator from keras.models import Sequential from keras.layers impor
..
我有一个名为e的常规keras模型,我想在自定义损失函数中比较y_pred和y_true的输出. from keras import backend as K def custom_loss(y_true, y_pred): return K.mean(K.square(e.predict(y_pred)-e.predict(y_true)), axis=-1) 我收到错误:At
..
我无法让Keras预测任何事情.甚至在这种简约模型中也没有: from keras.models import Sequential from keras.layers import Dense import numpy as np inDim = 3 outDim = 1 model = Sequential() model.add(Dense(5, input_dim=inDim,
..
我使用GCP(谷歌云平台)来训练我的模型,并且可以导出导出的模型.我使用了该模型并使用了Tensorflow服务1.8 CPU的本地docker镜像,我得到了以下结果作为REST调用的输出 { “错误":“在签名定义中找不到服务签名名称:\" serving_default \“ } 解决方案 使用SavedModelCLI命令查看模型的SignatureDef,如下所示: save
..
我想确定概率回归中每个因变量的边际效应,如下所示: 使用每个变量的平均值预测(基本)概率 对于每个变量,如果变量取均值+变量的1x标准偏差值,则预测与基本概率相比的概率变化 在我的回归之一中,我有一个乘法变量,如下所示: my_probit
..
问题 我在R中训练了线性回归,以根据city(数据框data中的变量)预测this.target.此训练针对由train.index指定的数据子集完成. model = glm('data[, this.target] ~ data$city', data = data, subset = train.index) 我正在尝试对由test.index指定的保留数据进行测试.
..
尝试使BLR模型适合数据框中的每一列,然后根据新数据pt进行预测.有很多列,因此无法通过名称(仅列号)识别列.在查看了该站点上几个类似性质的示例后,无法弄清为什么它不起作用. df
..
对于非r用户设置的logit模型,我有一些系数.我想将这些系数导入r并在与我自己的模型相同的数据集(ROC和混淆矩阵)上生成一些拟合估计.我的第一个想法是使用类似 的方法将系数强制为现有的GLM对象 summary(fit)$ coefficients [,1]
..
我在R中有一个模型,该模型包括两个连续自变量IVContinuousA,IVContinuousB,IVCategorical和一个分类变量(分为两个级别:控制和治疗)之间的显着三向相互作用.因变量是连续(DV). model
..
在64位Linux计算机上将R 3.2.0与插入号6.0-41和randomForest 4.6-10一起使用. 当尝试使用公式从caret包中的train()函数训练的randomForest对象上使用predict()方法时,该函数将返回错误. 当通过randomForest()和/或使用x=和y=而不是公式进行训练时,它们都运行平稳. 这是一个有效的示例: library(
..
我目前正在处理一个非常小的数据集(20个观察值,我知道这很糟糕).但是我需要以某种方式预测这些价值.当我简单地对因变量进行时间回归时,我可以做出预测,但是当我添加滞后或差异变量时,则预测未来不会超过一年.这是因为观察太少了吗? 这是我的上下文代码.这两行注释掉了对当前数据的更好拟合预测的结果,但仅生成了一个未来预测. use "scrappage.dta", clear drop i
..
我想为我的简单移动平均模型预测未来价值.我使用了以下过程: x
..
ts()函数如何使用其frequency参数?将错误的值分配为frequency有什么作用? 我正在尝试使用1.5年的网站使用情况数据来建立时间序列模型,以便可以预测未来一段时间的使用情况.我每天都在使用数据. frequency在这里应该是什么-7或365或365.25? 解决方案 frequency是季节性周期重复的“那个"时期.我在吓人引号中使用"the",因为当然,时间序列数
..
我知道一般规则,我们应该只在测试集上测试经过训练的分类器。 但是现在出现了问题: 当我已经受过训练时并准备好经过测试的分类器,是否可以将其应用于训练和测试集基础的同一数据集? 还是我必须将其应用于与训练不同的新预测集+测试集? 如果我预测时间序列 的标签列怎么办(稍后编辑:我并不是要在此处创建经典的时间序列分析,但是我只能从典型的数据库中选择广泛的列,就可以将每周,每月或随机存储的数据
..
我使用来自 https:中的教程代码: //github.com/tensorflow/tensorflow/blob/r1.3/tensorflow/examples/learn/wide_n_deep_tutorial.py 并且代码可以正常工作,直到我尝试做出预测而不是仅仅对其进行评估。我试图制作另一个看起来像这样的预测功能(只需删除参数y): def input_fn_predic
..
我拆分了 Train 数据集和 Test 数据集。 我在R(仅火车组)中为CART(分类树)使用了包 rpart 。我想使用 ROCR 包进行ROC分析。 变量为`n。使用”(响应变量... 1 =是,0 =否): > Pred2 =预测(Pred.cart,Test $ n.use) 预测错误(Pred.cart,Test $ n.use): **预测格式无效。**
..
这是对此问题的跟踪。 我以为我们执行OneHotEncoding的原因是将字符串数据转换为numpy数组吗? 然后是Predict语句 val_predictions = Soccer_model.predict(val_X) 应该可以正常工作,因为它正在使用编码数据。 此处是我到目前为止的代码: 从sklearn.metrics导入numpy为np 导入熊猫为pd
..
在尝试使用随机森林模型合并回原始数据帧时,我试图在该行上保留一个ID.我在食谱中使用step_naomit,它可以在烘焙训练数据时删除缺少数据的行,但也删除测试数据上缺少数据的记录.不幸的是,我没有一个ID可以轻松知道删除了哪些记录,因此我可以准确地合并到预测中. 我尝试将ID列添加到原始数据中,但是bake会删除公式中未包含的所有变量(并且我不想在公式中包含ID).我还认为我可能可以保留原
..
我在尝试在混合模型上使用lme4预测功能时遇到了一些困难.进行预测时,我希望能够将我的一些解释变量设置为指定水平,但将其他变量平均. 以下是一些组成的数据,它们是我原始数据集的简化且无意义的版本: a
..