游客c34kmiz7au6gk_个人页

个人头像照片 游客c34kmiz7au6gk
个人头像照片 个人头像照片
2
140
0

个人介绍

暂无个人介绍

擅长的技术

获得更多能力
通用技术能力:

暂时未有相关通用技术能力~

云产品技术能力:

暂时未有相关云产品技术能力~

阿里云技能认证

详细说明
暂无更多信息

2022年04月

2022年03月

  • 发表了文章 2022-04-22

    反了!居然让我教她自动化测试!

  • 发表了文章 2022-04-22

    破壁人AI百度:科技公司反内卷的典型样本

正在加载, 请稍后...
滑动查看更多
  • 回答了问题 2022-04-01

    训练集是怎么得来的呢?

    训练集要采用自助法,就是用自助采样作为为基础,之后给定数据集D,有m个样本,采样后产生的数据集为D’。 然后每次随机从D中选择一个样本放到D’中,然后将该样本放回到初始数据集D中。 这样进行m次后,D’有m个样本,D’可以当成训练集。
    踩0 评论0
  • 回答了问题 2022-04-01

    非均等代价是什么啊?

    我感觉是将正例预测成了负或者是把负例预测成为了正,两个都是与预测错误,但是在实际任务中会造成不同的损失。我们为了弥补各种不同错误所造成损失,可以为错误赋予非均等代价。
    踩0 评论0
  • 回答了问题 2022-04-01

    怎么尽可能正确地确定超参数呢?

    我觉得就是将训练集S进行k折交叉验证,k-1部分作为训练集进行模型训练,把剩下部分成为验证集, 作为对模型的验证。然后就能选择出当超参数设置为啥时模型的性能是最好的。希望对你有帮助。
    踩0 评论0
  • 回答了问题 2022-04-01

    怎么得到一个全局的混淆矩阵?

    这个有两个方法: 1、先在各个混淆矩阵上先算出查准率和查全率,然后再计算平均值,之后得到“宏查准率”marco-P,“宏查全率”macro-R,“宏F1”macro-F1 2、先平均混淆矩阵的对应元素,再计算“微查准率”micro-P,“微查全率”micro-R,“微F1”micro-F1 这样就可以得到啦
    踩0 评论0
  • 回答了问题 2022-04-01

    留一法是什么?

    留一法不受随机样本划分的干扰,使用的训练集比原始数据集D只少了1个样本,这样使用留一法训练的模型和使用原始数据D训练得到的模型有点相似,评估结果会较为准确一点吧
    踩0 评论0
  • 回答了问题 2022-04-01

    怎么保证随机划分的稳定性呢?

    因为把数据集D划分成k个子集的过程是随机的,为了更加稳定,k-折交叉验证要随机使用不同的划分重复p次,最后的结果是p次k折交叉验证的平均值,例如常见的有10次10折交叉验证。所以就要做100次训练与测试。
    踩0 评论0
  • 回答了问题 2022-04-01

    怎么计算AUC啊?

    我觉得有两步:1、假设总共有(m+n)个样本,其中正样本m个,负样本n个,总共有mn个样本对,计数,正样本预测为正样本的概率值大于负样本预测为正样本的概率值(模型的概率输出结果便是样本为正的概率)记为1,累加计数,然后除以(mn)就是AUC的值。 2、绘制ROC曲线,ROC曲线下面的面积就是AUC的值。希望对你有帮助
    踩0 评论0
  • 回答了问题 2022-04-01

    AUC是什么呢?

    它是一种用于二分类模型性能评估的指标,就是曲线下的面积,曲线是指受试者的操作曲线(ROC),通常是大于0.5小于1。 它的本质就是把样本按照预测为正的概率从高到低来排序,然后把类别为正的放在负的前面的概率即AUC值,AUC越大就表示模型区分正例和负例的能力越强,它的性能也会更好。
    踩0 评论0
  • 回答了问题 2022-04-01

    超参数搜索算法有什么要素?

    我觉得有三种要素(1)目标函数,也就是算法需要最大化/最小化的目标。 (2)搜索范围,一般通过上限和下限来确定。 (3)算法的其他参数,例如搜索步长。
    踩0 评论0
  • 回答了问题 2022-04-01

    兰德指数是什么啊?

    兰德指数就是需要给定实际类别信息,ARI取值范围是[−1,1],值越大表示聚类结果与真实情况越吻合。ARI衡量的是两个数据分布的吻合程度。
    踩0 评论0
  • 回答了问题 2022-04-01

    ROC曲线中的四个点和一条线都是啥呀?

    点(0,1)代表FPR=0, TPR=1,也就是FN=0且FP=0,所有样本都可以正确分类。 点(1,0)代表FPR=1,TPR=0,最差分类器,避开了所有正确答案。 点(0,0)代表FPR=TPR=0,FP=TP=0,分类器把每个实例都预测为负类。 点(1,1)代表分类器把每个实例都预测为正类。 总之:ROC曲线越接近,就是左上角右下角面积越大,分类性能越大,该分类器的性能越好。希望你可以明白哦
    踩0 评论0
  • 回答了问题 2022-04-01

    怎么去绘制ROC曲线呢?

    1、给定m个正例,n个反例,然后根据学习器预测结果对样例进行排序。 2、把分类阈值设为最大,即把所有样例均预测为反例,此时真正率(TPR=(TP/(TP+FN)),即被预测为正的负样本数 /负样本实际数)与假正率(FPR=(FP/(FP+TN)),即被预测为正的正样本数 /正样本实际数)均为0,在坐标(0,0)处标记一个点。 3、分别以每个样本被预测为正的概率作为阈值,计算出相应的真正率与假正率,设之前一个标记点坐标为(x,y),当前若为真正例,则对应标记点的坐标为(x,y+1/m),当前若为假正例,则对应标记点的坐标为(x+1/n,y),然后用线连接相邻点即可。 一般情况下,这个曲线都应该处于(0,0)和(1,1)连线(对应于随机猜测模型)的上方
    踩0 评论0
  • 回答了问题 2022-04-01

    ROC曲线是什么啊?

    逻辑回归里面,对于正负例的界定,我们经常会设一个阈值,大于阈值的就是正类,反之是负类。如果我们减小这个阀值,有些样本就会被认别为正类,可以提高正类的识别率,但同时也会使得更多的负类被错误识别为正类。
    踩0 评论0
  • 回答了问题 2022-04-01

    使用MSE Nacos2.0有什么需要注意的嘛?

    用户使用SDK接入开启加解密功能需要SDK在1.4.2版本及以上,同时需要引入MSE内部实现的nacos-client-mse-extension加解密插件。 初始化SDK时需要填入子账号AK/SK,并授权KMS加解密权限。
    踩0 评论0
  • 回答了问题 2022-04-01

    MSE Nacos2.0专业版相较于基础版优点在哪里?

    MSE Nacos2.0专业版相较于基础版在性能、可用性和安全性上都有较大提升,基础版建议用于测试环境,对于生产环境建议使用专业版。对于用户身份、密码等配置敏感信息建议都开启权限控制能力并且加密保存加强数据安全。
    踩0 评论0
  • 回答了问题 2022-04-01

    Nacos是怎么进行加密的呢?

    SDK在发布数据时会先从KMS中拿到密钥和加密后的密钥,然后使用密钥对数据进行加密,接着将加密数据和加密后的密钥传输到Nacos存储。SDK会从Nacos获取加密数据和加密后的密钥,然后通过加密后的密钥从KMS获取明文密钥,接着通过明文密钥对加密数据进行解密获取明文数据,解决了整体传输和存储中的数据安全问题。 为了兼容老逻辑,并且只有敏感数据需要加密,Nacos只对固定前缀DataId的数据进行加密,并且在开源侧通过SPI插件化实现,让用户自己能扩展。 用户可以通过SDK和MSE控制台对敏感数据进行加解密,整体SDK和MSE控制台都会先访问KMS再加密存储配置数据,然后解密之后再展示明文,使用流程和之前明文存储一致。
    踩0 评论0
  • 回答了问题 2022-04-01

    Nacos的配置加密功能是什么?

    这里使用第三方加密系统(如阿里云KMS)加强加密的安全性,为了加密速度快使用对称加密(AES算法),由于密钥要随着密文传输,同时对密钥进行加密,整体采用二级加密的方式。
    踩0 评论0
  • 回答了问题 2022-04-01

    MSE Nacos不同客户端访问的版本一样嘛?

    不一样哦,根据版本之间的兼容性情况,整体的兼容原则是高版本的服务端兼容低版本客户端,但是高版本客户端不一定能访问低版本服务端: 1.X客户端可以访问基础版,也可以访问专业版。 2.0客户端可以访问专业版,但是不能访问基础版
    踩0 评论0
  • 回答了问题 2022-04-01

    怎么从MSE Nacos平滑升级到专业版呀?

    对于新用户可以直接创建专业版实例,老用户则可以通过MSE'实例变更'一键升级。MSE会在后台对POD升级,由于V1V2数据结构不一样,在一开始的时候Nacos数据默认是双写的,在升级过程中数据会从V1同步到V2,升级完成后数据会从V2同步V1,最后MSE会关闭双写逻辑,整体流程都是自动。
    踩0 评论0
  • 回答了问题 2022-04-01

    MSE Nacos2.0的一个场景对3节点2C4G MSE Nacos升级前后对比的三个阶段是什么?

    第一个阶段客户端使用1.X版本,MSE Nacos使用基础版,实例数从0->6000->10000,最后到14000最大值无法继续增大,Server CPU达到80-90%,客户端不断报错,接着降低实例数到6000。 第二阶段升级MSE Nacos基础版到专业版,实例数到达14000无法继续增大,性能压测性能曲线差异不大。 第三阶段在保持实例数为14000的状态下,分批升级客户端到2.0版本,CPU指标曲线不断下降至20%左右,并且整体处于稳定态无报错
    踩0 评论0
正在加载, 请稍后...
滑动查看更多
正在加载, 请稍后...
暂无更多信息