XiaoMi-AI文件搜索系统
World File Search SystemRegression
回归问题贝叶斯推理指南
本指南为回归问题的贝叶斯推理提供了实用指导。为了从本指南中受益，读者应至少熟悉概率论、统计学和数学微积分，以了解“GUM” [9] 及其补充的原理，它们是计量学中关于测量不确定度评估的主要文件。但是，即使没有详细遵循本文件，所呈现的真实案例研究也说明了贝叶斯推理的潜力。提供的软件和算法可以作为处理类似问题的模板解决方案。尽管本指南中的回归问题类型源自所考虑的案例研究，并未涵盖所有可能的回归场景，但此处给出的指导应具有广泛的适用性。
基于能量的回归实用学习建议
近年来，基于能量的模型 (EBM) 在机器学习中经历了复苏，包括成为概率回归的有前途的替代方案。然而，基于能量的回归需要手动设计一个用于训练的提议分布，并且必须在测试时提供初始估计。我们通过引入一种概念上简单的方法来自动学习有效的提议分布来解决这两个问题，该方法由单独的网络头参数化。为此，我们得出了一个令人惊讶的结果，即得出一个统一的训练目标，该目标共同最小化从提议到 EBM 的 KL 分歧，以及 EBM 的负对数似然。在测试时，我们可以对训练过的提议进行重要性抽样，以有效评估学习到的 EBM 并产生独立的预测。此外，我们利用我们得出的训练目标，通过联合训练的基于能量的教师来学习混合密度网络 (MDN)，在计算机视觉领域的四个真实世界回归任务中，其表现始终优于传统的 MDN 训练。代码可在 https://github.com/fregu856/ebms_proposals 获得。
roket：最佳基于运输的内核回归
kerstst。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2 KOT_SIM_AGG。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 3 kot_sim_make。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。2 KOT_SIM_AGG。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 kot_sim_make。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 kot_sim_ot。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 kot_sim_reg。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 run_myot。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 run_myots。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6
基于自主地面车辆的基于增强学习的运动计划深度回归的不确定性定量指标
在机器人或其他物理系统上部署深层神经网络时，学到的模型应可靠地量化预测性不确定性。可靠的不确定性允许下游模块推理其行动的安全性。在这项工作中，我们解决了不确定性量化的指标。具体来说，我们专注于回归任务，并研究稀疏误差（AUSE），校准误差（CE），Spearman的等级相关性和负模样（NLL）下的区域。使用多个数据集，我们研究了这些指标在四种典型类型的不确定性下的行为，它们在测试集的大小上的稳定性以及揭示其优势和缺点。我们的结果表明，校准误差是最稳定，最容易解释的度量，但是Ause和NLL也具有各自的用例。我们不建议您评估不确定性的Spearman等级相关性，并建议用Ause代替它。
使用逻辑回归预测航空事故...
摘要 - 当谈到长距离运输时，我们唯一最简单、最快捷的选择就是飞机。飞机失事一直是一场大悲剧。尽管我们能够制造出可搭载 850 多名乘客的机器，但这种飞机的安全性仍存在一些问题。没有一种交通方式是安全的。即使是骑自行车的孩子也不安全。但我们不能对不断发展的世界置之不理，因为飞机在社会发展中发挥着重要作用。仅仅因为它不安全，或者少数飞机没有到达目的地，人类就不能拒绝飞机。关于最近飞机事故的研究证明，很有可能出现意想不到的结局。飞机失事是由多种因素造成的。如果我们能够拯救人们的生命，延缓无可否认的死亡，我们就会让世界再次伟大。在这里，我们试图建立机器学习模型，根据过去的事件预测和分类任何飞机事故的严重程度。通过这种方法，整个航空业可以预测由于各种因素造成的飞机事故。然后他们可以制定行动计划，将事故风险降至最低。我们使用逻辑回归来确定某个特定特征是否重要，然后我们采用随机森林技术进行分类。最后，我们使用 XGBoost，它为 Python 提供了一个梯度增强框架来生成模型。该方法的最终结果将根据事故的严重程度给出航空事故预测。索引术语 - 航空事故、逻辑回归模型、XGboost、随机森林
多发性心脏肿瘤早期完全消退...
胎儿发育过程中，患病率为 0.14% 1。横纹肌瘤是婴儿和儿童中最常见的心脏肿瘤，占所有病例的 60% 以上。2 它通常表现为多个小肿瘤，通常位于心室心肌，但也有影响心房的病例。它与结节性硬化症密切相关，根据已发表的研究，其百分比在 60% 到 80% 之间。3,4 与此同时，在所有确诊为结节性硬化症的患者中，43% 到 72% 患有心脏横纹肌瘤。对患者进行体格检查可以发现心脏杂音、外周脉搏减弱或发绀。心律失常的出现并不少见，并且据描述，Wolf-Parkinson-White 综合征的发病率较高。超过一半的病例在停药后会自行缓解。5 我们介绍一名患者的病例，该患者经超声心动图诊断为疑似多发性横纹肌瘤，并有自发、完全的早期缓解。一名 1 天大的新生儿因心脏杂音被转诊至儿科心脏病科会诊。妊娠发育平稳。从心血管角度来看，患者无症状。心脏听诊在 LSE 中检测到收缩期心脏杂音，保留了第二个音调。其余的体格检查并不重要。心电图呈窦性心律，没有显著发现。超声心动图显示多个心脏肿瘤位于右心室尖部、室间隔和左心室流出道（图 1A），最大的肿瘤（9 × 8 毫米，图 1B）位于左心室流出道，造成轻微阻塞（最大估计收缩压梯度为 23 毫米汞柱）。左心室收缩功能保留。诊断为疑似多发性心脏横纹肌瘤，并为患者确定了保守治疗方案和临床随访。完成结节性硬化症筛查并符合诊断标准。六周后，再次进行超声心动图检查，结果显示上述所有心脏肿瘤均消失（图 2A），包括位于左心室流出道的最大肿瘤（图 2B）。患者仍无症状。
通过多变量回归和新型遗传算法预测 Q 值
收到日期：2020 年 1 月 5 日；修订日期：2020 年 4 月 17 日；接受日期：2020 年 5 月 28 日 摘要：确定隧道支撑是隧道工程领域的一个重要争论，它确保了隧道的稳定性和安全性。Q 系统分类是一种用于确定岩石隧道支撑系统的技术。问题在于无法获得支撑系统所需的所有参数。另一方面，这种访问非常昂贵且耗时。因此，不可能在所有情况下确定 Q 值。本文使用 SPSS 程序确定 Q 系统中最有影响力的参数。然后，采用多元回归 (MVR) 和遗传算法 (GA) 方法，提出了一种使用三个有影响的参数预测 Q 值的关系。为此，使用了 140 个实验数据。为了评估获得的模型，使用了 34 个不在原始数据集中的新实验数据。本文的创新之处在于不再使用六个参数，而是使用对 Q 值影响最大的三个参数来确定 Q 值。在本研究中，MVR 模型（训练数据的 RMSE = 2.68、相关系数 = 0.81，测试数据的 RMSE = 2.55、相关系数 = 0.80）表现优于 GA 模型（训练数据的 RMSE = 2.90、相关系数 = 0.82，测试数据的 RMSE = 2.61、相关系数 = 0.84）。关键词：遗传算法、影响参数、多变量回归、Q 系统、隧道支护。1. 引言如今，地下空间在发达国家和发展中国家的使用越来越多。地面空间的限制、核电站的建设以及弹药和武器库的建设使得利用地下空间和设计隧道成为必然。
通过锚定回归进行低秩矩阵的相位检索
我们研究低秩相位恢复问题，我们的目标是从一系列无相位线性测量中恢复 ad 1 × d 2 低秩矩阵。这是一个四阶逆问题，因为我们试图恢复通过一些二次测量间接观察到的矩阵因子。我们提出了使用最近引入的锚定回归技术解决该问题的方法。这种方法使用两种不同类型的凸松弛：我们用多面体搜索代替无相位测量的二次等式约束，并通过核范数正则化强制执行秩约束。结果是 d 1 × d 2 矩阵空间中的凸程序。我们分析了两种特定场景。在第一种情况下，目标矩阵为秩 1，观测结构对应于无相位盲反卷积。在第二种情况下，目标矩阵具有一般秩，我们观察一系列独立高斯随机矩阵的内积幅度。在每个问题中，我们都表明，只要我们能够访问质量足够好的锚定矩阵，锚定回归就能从接近最优数量的测量中返回准确的估计值。我们还展示了如何在无相盲反卷积问题中从最优数量的测量中创建这样的锚定，并针对一般秩问题给出了这方面的部分结果。
回归系数测试的剩余置换测试
当协变量p的尺寸可以达到样本量n的恒定分数时，我们考虑测试单个系数是否等于线性模型中的问题。在这个制度中，一个重要的主题是提出具有有限型构图的有效尺寸控制的测试，而无需噪声遵循强烈的分布假设。在本文中，我们提出了一种称为剩余置换测试（RPT）的新方法，该方法是通过将回归残差投射到原始设计矩阵和置换设计矩阵的柱子空间的空间正交中来构建的。rpt可以在固定设计下以可交换的噪声在固定设计下实现有限的人口尺寸有效性，每当P 此外，对于重型尾部噪声， rpt均具有渐近强大的功能，该噪声（1 + t）的订单矩至少在t∈[0，1]中至少属于n -t/（1 + t）阶时。 我们进一步证明了这种信号大小的要求在最小值意义上本质上是最佳的速率。 数字研究结合了RPT在具有正常和重尾噪声分布的各种模拟设置中表现良好。rpt均具有渐近强大的功能，该噪声（1 + t）的订单矩至少在t∈[0，1]中至少属于n -t/（1 + t）阶时。我们进一步证明了这种信号大小的要求在最小值意义上本质上是最佳的速率。数字研究结合了RPT在具有正常和重尾噪声分布的各种模拟设置中表现良好。数字研究结合了RPT在具有正常和重尾噪声分布的各种模拟设置中表现良好。