如何解释一个热编码变量的自动编码器异常SE？
热编码变量的自动编码器异常SE是指在使用自动编码器对热编码变量进行训练时，出现的异常情况。下面是对该异常的解释：
热编码变量（One-Hot Encoding Variable）是一种将离散型变量转换为二进制向量表示的方法。它将每个离散型变量的取值映射为一个唯一的二进制向量，其中只有一个元素为1，其余元素为0。这种编码方式常用于机器学习和深度学习中，可以将离散型变量作为输入特征，用于训练模型。
自动编码器（Autoencoder）是一种无监督学习的神经网络模型，用于学习数据的低维表示。它由编码器和解码器两部分组成，通过将输入数据压缩为低维编码，再通过解码器将编码还原为原始数据。自动编码器可以用于特征提取、降维、去噪等任务。
异常SE（Singular Error）是指在自动编码器训练过程中，出现的异常情况。这种异常可能是由于数据集中存在异常样本、训练数据不足、模型结构设计不合理等原因导致的。异常SE的出现会影响自动编码器的训练效果和模型性能。
针对热编码变量的自动编码器异常SE，可以采取以下措施进行解决：
- 数据预处理：对输入数据进行预处理，包括数据清洗、异常值处理、标准化等，以减少异常样本对自动编码器的影响。
- 增加训练数据量：增加训练数据量可以提高模型的鲁棒性，减少异常SE的出现。可以通过数据增强技术、合成数据等方式增加训练数据。
- 调整模型结构：根据具体情况，调整自动编码器的模型结构，包括增加隐藏层节点数、调整激活函数、优化损失函数等，以提高模型的表达能力和学习能力。
- 引入正则化技术：通过引入正则化技术，如L1正则化、L2正则化等，可以减少模型的过拟合现象，提高模型的泛化能力。
- 调整训练参数：对于自动编码器的训练参数，如学习率、批量大小、迭代次数等，进行合理调整，以提高模型的收敛速度和稳定性。
腾讯云提供了多个与自动编码器相关的产品和服务，例如腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow），可以用于构建和训练自动编码器模型。此外，腾讯云还提供了云服务器、云数据库、云存储等基础设施服务，以及人工智能、物联网等领域的解决方案，可满足不同场景下的需求。
相关·内容
2回答
单标签多类分类随机森林蟒蛇
、、、、
我是机器学习的新手，目前正在处理由分类数据组成的csv文件格式的数据集。作为预处理的一种手段，我对数据集中的所有变量进行了热编码。 目前，我正在尝试应用随机森林算法将条目分类为4个类别中的一个。我的问题是，我不知道这一个热编码变量到底发生了什么。我如何将它们提供给算法？它能区分buying_price_high、buying_price_low (buying_price的一种热编码)吗？ 我还对response变量进行了一次热编码。
浏览 19提问于2019-10-02得票数 0
回答已采纳
我有一个巨大的数据集，在特性中包含分类列，我的目标变量也是分类的。
所有的值都不是序数，所以我认为最好使用一个热编码。
但是我有一个问题，我的目标变量有90个类，所以如果我做一个热编码，就会有90列作为目标列，这将变得非常复杂。
但是，由于所有的值都不是序数，我可以为特征、分类列和目标变量应用一个热编码吗？
谢谢
浏览 0提问于2022-03-24得票数 0
1回答
我使用自动编码器构建了一个异常检测系统，并在keras中实现。我的输入是一个长度为13的归一化向量。我的数据集包含大约25,000个用于学习的非异常输入。在学习了1-3个时期后，我得到了大约10^-5的MSE。问题是，尽管我得到了一个小的MSE，但我的AE不能很好地检测异常。模型类：
class AutoEncoder:
def __init__(self, inputLen, modelName,Batch,epochs):
self.modelName = modelName
self.DL_BATCH_SIZE = Batch
浏览 24提问于2020-12-13得票数 1
我目前正在使用H2O的H2OAutoEncoderEstimator训练一个异常检测模型(用Python语言)，并且在我的测试数据集中发现异常记录方面取得了很好的结果。
但是，我想更进一步，尝试找出异常的原因(如果可能)。
我尝试理解我的模型的.predict()输出，如下所示：
我试过这些文档，但发现帮助不大。
此外，对于那些尝试过类似方法的人，您能否推荐一种技术，用于在使用H2o库中提供的工具检测到异常后提取异常原因？谢谢。
浏览 0提问于2018-12-07得票数 1
2回答
分类为一种热编码-大数据
、、、、
我有一个销售数据集，其中包括作为输出的二元标签-“商业赢”和“商业损失”我们的产品。
我们有一批一级客户(让我们称他们为千斤顶)，我们与他们做生意。然后这些千斤顶把我们的产品卖给最终的客户(让我们称之为玫瑰)。
这些销售数据包括销售标识、产品标识、产品名称、产品类型、市场细分(如APAC、EMEA等)、杰克id、杰克类别、杰克区域、玫瑰id、玫瑰类、玫瑰区域、项目id、项目名称等。
一个千斤顶可以在多个不同的项目(相同或不同的玫瑰)中销售相同的产品。
正如您所看到的，我的大部分输入变量本质上都是绝对的。
我想知道影响商业结果的特征是什么？那是赢还是输？
如果是生意上的输赢，我想找出原因(使用石
浏览 0提问于2021-12-31得票数 2
回答已采纳
我是深度学习领域的新手，我想问一下使用自动编码器进行异常检测的未标记数据集。我令人困惑的部分从以下几个问题开始： 1)一些帖子说从原始数据集中分离出异常和非异常(假设被标记)，并用唯一的非异常数据集训练AE (通常非异常的数量将更占主导地位)。因此，问题是，如果我的数据集是未标记的，我将如何分离它？ 2)如果我使用原始的未标记数据集进行训练，如何检测异常数据？
浏览 16提问于2019-06-14得票数 1
如果数据集是以字符形式给出的，即分类的，那么我们需要使用一种热编码将它们转换为数字数据？
我的第二个问题是，一个热编码只对名义数据类型有意义，还是对名义数据类型和序数数据类型都有意义？
浏览 16提问于2019-07-20得票数 0
每当我们有需要预处理的数据集时，在将其输入到模型之前，我们会将分类值转换为数值值，通常使用LabelEncoding、一种热编码等技术，但所有这些都是手动遍历每一列的。
但是，如果dataset在列方面是巨大的(例如: 2000列)，这里不可能手动遍历每一列，在这种情况下，我们如何处理编码？
是否有处理变量自动编码的特定库？我知道category_encoders，它提供了不同的编码技术，但我们如何在上述条件下做到这一点。
浏览 0提问于2020-11-05得票数 0
我总共有大约80列，其中大约20列是分类的，需要标签编码。我检查了提供的解决方案，以及说明使用技术的解决方案。但是，特征哈希技术转换类似于单一热编码而不是标签编码。
示例：
Column1
RL
RL
RM
RL
RM
RM
在特性哈希之后，代码与一次热编码类似，如下所示：
Column1-RL Column1-RM
1 0
1 0
0 1
1 0
0 1
0 1
如何在Azure-ml中做类似的标签编码，使输出类似于：
Colum
浏览 1提问于2022-09-01得票数 0
1回答
我正在尝试在包含大量分类列的数据集上构建一个ML分类模型。然而，它们中很少有超过1000个独特的值。我担心，如果我运行一次热编码，或者熊猫在上面有假人，那么它只会导致太多的功能需要处理。
因此，我试图找出最高的N个唯一值，这些值占基础数据的90%，并将其余数据归类为“其他”或“杂项”。但这使得“其他”或“杂项”价值成为最突出的价值。我担心这可能会扭曲模型/结果。对于我应该如何处理这样的场景，有什么建议吗？
浏览 0提问于2018-09-05得票数 3
1回答
我正在使用h2o来检测数据中的异常。数据包含多个连续的分类特征，标签可以是0或1。现在，由于1的计数不到1%，我正在尝试异常检测技术，而不是使用通常的分类方法。但是，最终我得到了计算每行数据的MSE，我不确定如何解释它才能说实际的标签是0，但因为它是一个异常，应该是1。
到目前为止，我使用的代码如下：
features <- names(train.df)[!names(train.df) %in% c("label")]
train.df <- subset(train.df, label==0)
train.h <- as.h2o(train.df)
m
浏览 1提问于2016-01-27得票数 1
1回答
我使用h2o自动编码器异常来查找我的模型中的异常数据，但问题是自动编码器只接受数值预测器。我的要求是，我已经找到了基于CardNumber或商人号码的离群点。而卡号是12位数(342178901244)，而且大多是唯一的，所以它的名义数据和我们不能做的热编码以及它会创造出许多新的字段，就像唯一的卡号一样。因此，请建议任何方法，我们可以包括分类数据以及我们仍然可以运行自动编码器。
model=H2OAutoEncoderEstimator(activation="Tanh",
hidden=[70],
浏览 2提问于2019-03-15得票数 0
回答已采纳
去噪自动编码器能用于结构化数据的异常检测吗？
我知道我可以用去噪自动编码器来检测图像上的异常，但我不知道他们是否也能对结构化数据进行去噪？如果没有，为什么？
浏览 0提问于2019-04-29得票数 2
我有一只熊猫的资料，描述了一些领域的登记。我使用了一个热编码来编码非数字的特征向量。最后，我的数据集现在有4000行*4列。它只包含数字。我想使用AutoEncoders生成相同的输入，但我没有找到任何有用的链接。当我使用我的数据时，我使用的是一些维度问题。有人推荐任何有帮助的教程吗？
浏览 0提问于2018-05-16得票数 3
回答已采纳
3回答
我有一组特定物体的图像。我想找出其中一些是否存在机器学习算法的异常。例如，如果我有很多照片的眼镜，我想知道其中一个是坏了，或有什么异常。就像这样：
很好！！
BAD!!
(显然我会用同样的眼镜.)
问题是我不知道每一个消极的情况，所以，对于训练，我只有正面的形象。
换句话说，我需要一种算法来识别图像是否有与数据集不同的内容。你有什么建议吗？
特别是有一种使用卷积神经网络的方法吗？
浏览 7提问于2017-02-07得票数 4
1回答
我的目标是实现一个统一/多元在线异常检测系统。
经过几天的研究，我可以收集很多方法来达到这个目的。移动平均解如ARIMA，空间状态解如Kalman滤波器、Holt双/三重指数平滑、CUSUM、一类支持向量机、深度学习滑动窗口自动编码方法、基于自回归神经网络的深度学习等)。
一般来说，时间序列上的异常检测是以原始时间序列的预测点或一组点与预测时间序列之间的差异产生的偏差阈值为依据的。
注意到这一预测，这可能发生在：
一种预测方法(比如ARIMA，或者您也可以通过使用LSTM深度学习模型来实现这一结果)，
或以一种无法预测的方式(如。用自动编码器去噪就行了，或者分析推特使用的片段STL+ESD )
浏览 0提问于2019-01-23得票数 2
2回答
大量的离散特征
、、、、
我在开发一个回归模型。但是我在准备数据时遇到了一个问题。20个星座中有17个是明确的，每个星座都有很多类别。使用一次热编码，我的数据表被转换成一个10000x6000表.我应该如何准备这类数据？我使用PCA，试图减少维数，但即使是70%的方差是在2500特征。这就是我加入的原因。不幸的是，我不能附加数据集，因为它是保密的，我如何准备数据，以取得最佳的结果，在学习过程中？
浏览 14提问于2022-08-26得票数 0
回答已采纳
我将拼图文件读入元组的数据集： val dataset = spark.read.parquet("some-path").as[Tuple2[KeyClass, ValueClass]](Encoders.kryo) 我可以通过以下命令来查看： import spark.implicits._
dataset.map(x => s"$x._1 : $x._2").show(false) +----------------------------+
|value |
+---------------------
浏览 12提问于2020-10-02得票数 1
1回答
我正在编写一个使用线性回归的应用程序。就我而言，sklearn.linear_model.Ridge。我很难将我喜欢的数据池以正确的形式预测到Ridge。我简要地描述了我的两个应用程序以及问题是如何出现的：
1RST应用程序：
我的数据点每个只有一个特性，它们都是String，所以我使用了一个热编码，以便能够在Ridge中使用它们。之后，数据点(X_hotEncoded)有9个特性：
import pandas as pd
X_hotEncoded = pd.get_dummies(X)
在将Ridge安装到X_hotEncoded和标签y之后，我用以下方法保存了经过训练的模型：
from s
浏览 2提问于2017-07-10得票数 6
回答已采纳
1回答
范畴变量数组与一次热编码
、、、
我有一些JSON数据要转换成机器学习友好的格式。数据中的每个对象(最终将成为dataset中的实例)都具有完全相同的字段(在本例中为foo、bar和array)。array字段包含可变数量的子对象(从0到10)。每个子对象都有一个范围很大的范畴字段，还有一些可以安全忽略的字段。这些子对象中的所有分类字段都属于相同的范围。
示例(大规模简化对象)：
{
"foo": 1
"bar": 0.5
"array" : [
{
"categorical": "Lorem"
"o
浏览 0提问于2017-05-23得票数 5
我正在尝试构建一个自动编码器神经网络，用于在单列文本列表中查找异常值。我的输入有138行，它们看起来像这样： amaze_header_2.png
amaze_header.png
circle_shape.xml
disableable_ic_edit_24dp.xml
fab_label_background.xml
fab_shadow_black.9.png
fab_shadow_dark.9.png 我已经使用Keras构建了一个自动编码器网络，并且我使用python函数将我的文本输入转换为一个数组，每个字符的ascii表示用零填充，这样它们都具有相同的大小。 我的完整代码是这样的
浏览 9提问于2019-04-22得票数 2
我在python中创建了一个简单的Keras深度学习模型。训练中变量的总no为195，而未见的测试数据为181，所有输入字段都是分类的(由一个热编码转换)。由于看不见的测试数据有一些不同的类别，这就是为什么在一个热编码字段与train不匹配的原因。
因此，在对未见测试数据进行预测时，模型给出了以下误差。有什么出路吗？
ValueError: Error when checking input: expected dense_30_input to have shape (195,)
but got array with shape (181,)
浏览 0提问于2019-06-21得票数 1
我正在研究AutoCoder。我用Matplotlib绘制了输入值和重构值的图表。如何绘制编码特征的图形以及编码特征是什么？
浏览 1提问于2019-09-29得票数 0
回答已采纳
1回答
我的数据集包含13个属性，包括10个数字属性和3个分类属性和目标。它有180个观测数据
NumFeature1,NumFeature2....NumFeature10,CatFeature1,CatFeature2,CatFeature3, Target
所有的分类都是不序数的，每个分类都有以下几类：
CatFeature1: 0/1
CatFeature2: 0/1/2
CatFeature3: 0/1/2/3
这是一个二元分类问题，在这个问题中，我们必须预测目标类的每个类的概率。
对于上述数据集，我有三个问题：
Q1-对于分类功能，我应该使用LabelEncoder()、OneHotEnc
浏览 0提问于2019-09-16得票数 1
回答已采纳
2回答
我在想，下面的策略是否已经被使用过，是否可行？
假设你有一个CNN，它能很好地分类图像数据，狗和猫。你只有猫和狗的图像作为训练数据。有没有办法用它来检测马的异常图像？
例如，在一个基于规则的系统中，我们可以说
if P(cat) and P(dog) ~0.5 then it's an anomaly
另一种方法是取特征向量，最后取完全连通层，比较向量与其他向量有很大的不同，可将其视为异常。
你有相关的文件吗？这是个完全愚蠢的主意吗？
浏览 0提问于2019-08-07得票数 0
我有一个很大的数据集，我计划对其进行逻辑回归。它有很多分类变量，每个变量都有数千个特征，我计划对这些特征使用一个热编码。我将需要以小批的方式处理数据。我的问题是，如何确保在第一次运行期间，一个热编码可以看到每个分类变量的所有功能？
浏览 0提问于2014-07-26得票数 2
在我的3D游戏中，有300个类别的生物可以属于。我想教我的RL代理根据它最接近的10个怪物来做决定。
到目前为止，我的神经网络输入向量是十个300维一维热编码向量的级联.如果我有10个40维向量，那就太棒了。
那么，是否有可能通过自动编码器传递一个300维的一维热编码矢量，从自动编码器的中间抓取它的压缩版本(嵌入)？
这将允许我将几个这样的压缩嵌入连接成一个“总”输入(十个级联的40D向量)，而不膨胀这个总输入向量。
在我的游戏中，每一个热点都应该代表一个不同的类别.我的分类在任何方面都不相关.
( 1)它是有效的，还是会像标签编码那样引入不必要的假设？
2)如何训练这种自动编码器？我可以简单
浏览 0提问于2018-08-06得票数 4
回答已采纳
5回答
假设我有一个分类特征，即颜色，它采用以下值
“红色”，“蓝色”，“绿色”，“橙色”，
我想用它来预测随机森林中的一些东西。如果我只对它进行一次热编码(即我将它更改为四个虚拟变量)，我如何告诉sklearn这四个虚拟变量实际上是一个变量？具体来说，当sklearn随机选择要在不同节点上使用的特性时，它要么应该将红色、蓝色、绿色和橙色的假人放在一起，要么不应该包含其中的任何一个。
我听说没有办法做到这一点，但我想，必须有一种方法来处理分类变量，而不是任意将它们编码为数字或类似的东西。
浏览 12提问于2014-07-12得票数 77
回答已采纳
我正在处理一个混合的分类变量和数字变量的数据集。有很多缺失的数据，因此，我希望通过分类器进行一些估算。我目前正在使用来自impyute.imputation.cs的impyute.imputation.cs。fast_knn是一个易于使用的函数，它用kNN模型填充缺失的值。
我希望将一个numpy数组传递到fast_knn中，该数组包含对分类变量的一个热编码，为缺失的值设置np.nan，与数字属性中的数据混合(对于缺失的值也使用np.nan )。
困难在于，在将分类数据转换为一个热编码之后，确保丢失的值是明显的。我如何将分类数据转换为一种热编码，从而导致缺少值会导致np.nan (而不是一种热
浏览 2提问于2021-03-30得票数 1
回答已采纳
2回答
如何编码高基数的分类数据？
、、、、
我有一个1600行和28列的数据集。只有一列部分完整，有1300条记录。剩下的是NaN。我对这个列做了一个值计数，它有84个不同的类别，它们都是名义的。什么是最好的方法来推测这个专栏。我需要把这些转换成数字，然后再转换回来。我知道单热编码在这种情况下是行不通的，因为基数很高。
解决这个问题的最好方法是什么？
浏览 0提问于2020-09-21得票数 1
我想评估自动编码器将如何对我的数据执行。现在，我可以用解码后的数据与原始数据的均方误差来实现这一点，当将这个自动编码器与其他自动编码器进行比较时，这是很好的，但我想知道。用这里来评估解释的方差不是评估它的一个更好的标准吗？这样，我不仅可以更直观地理解我的自动编码器正在学习的数据的多少，而且还可以将其与其他降维技术(如PCA和NMF )进行比较。这个度量适合于这种情况吗？
浏览 0提问于2021-10-10得票数 1
回答已采纳
我试图建立LSTM模型，作为输入接收整数序列，并输出每一个整数的概率。如果此概率较低，则应将整数视为异常。我试着遵循这个教程- ，尤其是我的模型来自这里。我的输入如下：
[[[3]
[1]
[2]
[0]]
[[3]
[1]
[2]
[0]]
[[3]
[1]
[2]
[0]]
然而，我无法理解我作为一个输出得到了什么。
[[[ 2.7052343 ]
[ 1.0618575 ]
[ 1.8257084 ]
[-0.54579014]]
[[ 2.9069736 ]
[ 1.0850943 ]
[ 1.9787762 ]
浏览 1提问于2020-05-11得票数 1
回答已采纳
1回答
我有一个具有高基数(>8000)和低基数(4或5)的分类特征的数据集。用一个编码器(例如，目标编码器)编码高基数的编码器，用另一个编码器编码基数低的编码器(一个热编码器)，并将所有内容组合在一起来训练模型，这样可以吗？这是错误的，并应该应用相同的编码器对所有的功能，而不管他们的基数？
非常感谢您的投入！
浏览 0提问于2020-01-03得票数 2
回答已采纳
1回答
最近，我一直在研究自动编码器和内核PCA，用于无监督的特征提取。
让我们考虑一下线性PCA。我的理解是，如果一个自动编码器(带有单个隐藏层)具有线性激活函数，那么平方和误差函数(为方便而非统计相关性而选择)将对权重有一个唯一的解决方案。可以很容易地看到，考虑我们希望解决的自动编码器输入$\boldsymbol{x}$和自动编码器输出$\hat{\bold符号{x}}$的平方和错误函数：
$$ \begin{对齐}&\min_{\bold符号{W}，\粗体符号{V}{1over2N}\sum^N_{n=1}\bold符号{x}^{(N)}-\hat{\bold符号{x}}^{(N)}^{
浏览 0提问于2018-02-09得票数 2
1回答
我进退两难，我使用的是一个热编码，我需要进行特征选择(对于分类和数值特性)，我有一些不太重要的特性，但我不想使用一些算法来完成，而不是手动的。我的问题是双重的-
我可以用什么特征选择技术来做呢？
我是在一次热编码之后还是之前做的？
浏览 2提问于2020-10-08得票数 0
回答已采纳
1回答
提供一套(m no.关于n维向量，正确的无监督的聚类方法是什么？向量本质上代表了模式。
例如:向量集表示为V。让向量v1表示类似于y = sin(x)曲线的模式。y值存储在v1中，所有向量的x间隔是相同的。类似地，有一个向量v2表示类似于y=log(x)的模式。
问题是:是否存在一组向量，表现出与v1相似(不完全相同)的模式，对于v2等具有类似的模式？
因此，这些模式需要适当地进行聚类。有一些方法，如矢量量化，但我不确定这些方法是否适合在这种情况下。
浏览 0提问于2019-06-18得票数 1
1回答
在异常检测中查找原因
、、、
我们有一个使用自动编码器的异常检测模型，它接受13个参数。我们想要检测是哪个参数导致了这种异常。
到目前为止，我们正在探索如何做到这一点，但还没有遇到任何问题。有没有人能就如何做到这一点提出一些算法？
浏览 2提问于2019-10-30得票数 2
1回答
从拥抱中使用BertTokenizer的想法真的让我感到困惑。
当我使用
记号器= BertTokenizer.from_pretrained("bert-base-uncased") tokenizer.encode_plus("Hello")
结果是否与将一个表示"Hello“的单一热向量传递给学习嵌入矩阵时有点类似？
你好吗
BertTokenizer.from_pretrained("bert-base-uncased")
不同于
BertTokenizer.from_pretrained("bert-**large**
浏览 2提问于2021-09-05得票数 0
我把我的数据作为DataFrame
dOpen dHigh dLow dClose dVolume day_of_week_0 day_of_week_1 ... month_6 month_7 month_8 month_9 month_10 month_11 month_12
639 -0.002498 -0.000278 -0.005576 -0.002228 -0.002229 0 0 ... 0 0 1 0
浏览 2提问于2020-01-22得票数 6
回答已采纳
1回答
正确设置堆叠式自动编码器
、、、、
我试图在Keras (tf.keras)中构建一个堆叠的自动编码器。叠层并不是指deep。我为Keras找到的所有例子都是生成例如3个编码器层，3个解码器层，他们训练它，并称之为一天。然而，训练叠层自动编码器的正确方法似乎是本文所描述的方法：。
简单地说，SAE应该是按层方向训练的，如下图所示。第一层训练后，作为第二层训练的输入，重建损失应与第一层而不是输入层进行比较。
我的麻烦就从这里开始。如何告诉Keras在哪些层上使用损失函数？
我就是这么做的。由于Keras中不再存在自动编码器模块，所以我构建了第一个自动编码器，并在第二个自动编码器的第一层设置了编码器的权重(trainabl
浏览 3提问于2018-09-07得票数 20
1回答
这看起来可能是个微不足道的问题。但我被困在预测模型的结果上了。我的问题是：
我有一个数据集的形状1000 x 19 (目标特性除外)，但经过一次热编码后，它变成了1000 x 141。由于我对1000 x 141形状的数据进行了训练，所以我需要1x141(至少)的数据来预测。我也知道在python中，我可以使用
model.predict(data)
但是，由于我是通过一个1x19形状的门户从最终用户那里获得数据，现在我非常困惑，我应该如何进一步进行基于用户数据的预测。
如何将1x19形状的数据转换为1x141，因为我必须保持与培训/测试数据相同的顺序，这意味着列的顺序不应该不同。如能在这方面
浏览 0提问于2019-05-14得票数 2
回答已采纳
1回答
我被一个似乎解决不了的问题困住了。在后端，我使用的是ASP.NET Core2.0，从一个控制器到一个使用ViewBag的视图，发送一个包含两个单词的数组。例如。“这些”、“是”、“verdrivna”、“P se”。
在我的视图中使用下面的Razor代码，我循环出结果
@foreach (var words in ViewBag.Words)
{
<span>@words.word</span>
}
但是，我想将这个数组的内容发送到一个JavaScript数组中，这就是问题开始的地方。例如，如果我这样做：
<script>
console.log(
浏览 0提问于2018-03-22得票数 3
回答已采纳
变量/特性之一是部门id，它类似于1001、1002、…、1218等等。id是标称的，不是序号的，也就是说，它们只是id，而部门1002绝不高于部门1001。我使用Scikit学习将这个特性提供给随机森林。我该怎么处理呢？
有些人说要使用一种热编码。然而，
另一些人说，一次热编码降低了随机森林的性能。
此外，我有超过200个部门，所以我将增加大约200个变量使用一个热编码。
但是，如果我只使用原始值，1001,1002等等，随机森林会认为部门1002高于部门1001吗？
谢谢。
浏览 0提问于2022-03-14得票数 5
回答已采纳
我正在使用Symfony 6.0.7并注意到这种行为：
当我将自定义序列化程序注册为服务时，它将作为编码器添加到默认的“@序列化程序”1中。
为什么是这种情况，我如何才能改变这种行为？
我的问题是，这会扰乱FOSRestBundle的错误处理，即使调试设置为false，它也总是输出异常的堆栈跟踪。
我的services.yaml
foo.serializer:
class: Symfony\Component\Serializer\Serializer
...
...
这就是我在转储“@序列化程序”服务的编码器时得到的结果：
...
array (size=5)
0 =>
浏览 2提问于2022-04-05得票数 1
回答已采纳
1回答
如果我有一组N个数据，那么每个数据都有4个特征。我不知道这些特征之间可能存在(或不存在)的关系。
是否有可能从我最初的集合中生成新的数据，以尊重特性之间可能存在的隐式关系，而不必显式地找到这些关系？
浏览 0提问于2017-02-09得票数 2
回答已采纳
我读过许多论文，推荐使用变分自动编码器而不是自动编码器，因为它们具有更多的概率方法，并且能够在潜在维度上使用KL散度。但是，在对这两个网络进行测试时，我发现变分自动编码器输出的可变性降低了网络的精度，使用自动编码器的效果更好。我仍然致力于非常简单的数据和培训我的网络上的正常图像，没有任何增强或改变的背景。
变分自动编码器的性能是随着数据的增加而增加的，还是有其他的原因来选择它而不是自动编码器呢？
或者自动编码器在异常检测方面表现更好？
浏览 0提问于2019-04-03得票数 1
1回答
我试图理解自动编码器的丢失功能。
我认为解码器的丢失功能是将输入图像与解码图像进行比较，告诉我是否正确。
但我不明白如何比较才能找到编码器错误。
有人向我解释说，它是用来找编码器错误的。和解码器。
浏览 0提问于2020-10-23得票数 0
2回答
我试着用滑雪中的隔离森林(IF)来进行异常检测。除了这是一种很好的异常检测方法之外，我还想使用它，因为我的特征中大约有一半是分类的(字体名称等等)。
我有太多地方要使用一种热编码(关于1000+，这只是许多特性之一)，而且我仍然在寻找一种更健壮的数据表示方式。
另外，我以后还想试验其他聚类技术，所以我不想做标签编码，因为它会在欧几里得空间中错误地表示数据。
因此，我有两个部分的问题：
如何标注编码(如。影响基于树的方法，如隔离林？既然它们不是基于距离的，他们就不应该对序数数据做假设，对吗？
对于基于距离的模型，我还可以考虑哪些其他的特征转换？
浏览 0提问于2018-07-25得票数 4
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
