某種類型樣本量越多，則權(quán)重越低，樣本量越少，則權(quán)重越高。具體做法是，對(duì)于第K類的分類決策，我們把所有第K類的樣本作為正例，除了第K類樣本以外的所有樣本都作為負(fù)例，然后在上面做二元邏輯回歸，得到第K類的分類模型。如果模型有T類，我們每次在所有的T類樣本里面選擇兩類樣本出來，不妨記為T1類和T2類，把所有的輸出為T1和T2的樣本放在一起，把T1作為正例，T2作為負(fù)例，進(jìn)行二元邏輯回歸，得到模型參數(shù)。

如果知識(shí)圖譜的數(shù)據(jù)源來自不同數(shù)據(jù)結(jié)構(gòu)的數(shù)據(jù)源，在系統(tǒng)已經(jīng)從不同的數(shù)據(jù)源把不同結(jié)構(gòu)的數(shù)據(jù)提取知識(shí)之后，接下來要做的是把它們?nèi)诤铣梢粋€(gè)統(tǒng)一的知識(shí)圖譜，這時(shí)候需要用到知識(shí)融合的技術(shù)（如果知識(shí)圖譜的數(shù)據(jù)結(jié)構(gòu)均為結(jié)構(gòu)化數(shù)據(jù)，或某種單一模式的數(shù)據(jù)結(jié)構(gòu)，則無需用到知識(shí)融合技術(shù)）。利用知識(shí)圖譜融合以上企業(yè)數(shù)據(jù)，可以構(gòu)建企業(yè)知識(shí)圖譜，并在企業(yè)知識(shí)圖譜之上利用圖譜的特性，針對(duì)金融業(yè)務(wù)場(chǎng)景有一系列的圖譜應(yīng)用，舉例如下：

中國保險(xiǎn)行業(yè)協(xié)會(huì) 行業(yè)要聞 知識(shí)圖譜技術(shù)在保險(xiǎn)業(yè)的應(yīng)用實(shí)踐及前景展望。要將人工智能技術(shù)（包括深度學(xué)習(xí)、人臉識(shí)別、知識(shí)圖譜等技術(shù)）列入保險(xiǎn)業(yè)發(fā)展戰(zhàn)略，追求人工智能與保險(xiǎn)業(yè)的深度融合，開展基礎(chǔ)理論、重點(diǎn)領(lǐng)域、交融模式和關(guān)鍵技術(shù)系統(tǒng)研究，推動(dòng)知識(shí)圖譜等人工智能技術(shù)成為行業(yè)轉(zhuǎn)型升級(jí)和提升保險(xiǎn)服務(wù)實(shí)體經(jīng)濟(jì)能力的強(qiáng)有力支撐。目前，知識(shí)圖譜技術(shù)在各家保險(xiǎn)公司的運(yùn)用主要是基于內(nèi)部交易數(shù)據(jù)，但這些數(shù)據(jù)資源相當(dāng)有限。

本篇文章為大家介紹了什么是推薦系統(tǒng)、推薦系統(tǒng)運(yùn)作流程、圖譜應(yīng)用的優(yōu)勢(shì)、圖譜在推薦中的應(yīng)用、圖譜推薦的原理、圖譜推薦的難點(diǎn)，并附上實(shí)際例子幫助大家進(jìn)一步了解。本文通俗的講述通過幾個(gè)段落簡(jiǎn)單講述什么是推薦系統(tǒng)、推薦系統(tǒng)運(yùn)作流程、圖譜應(yīng)用的優(yōu)勢(shì)、圖譜推薦的原理、圖譜推薦的難點(diǎn)，供大家參考了解。在推薦系統(tǒng)中應(yīng)用的圖譜都是大規(guī)模的圖譜，實(shí)體都是在萬級(jí)的，像阿里的商品圖譜甚至達(dá)到了十億級(jí)。

python 散點(diǎn)圖。最近開始學(xué)習(xí)python編程，遇到scatter函數(shù)，感覺里面的參數(shù)不知道什么意思于是查資料,最后總結(jié)如下：1、scatter函數(shù)原型。2、其中散點(diǎn)的形狀參數(shù)marker如下：5、當(dāng)scatter后面參數(shù)中數(shù)組的使用方法，如s，當(dāng)s是同x大小的數(shù)組，表示x中的每個(gè)點(diǎn)對(duì)應(yīng)s中一個(gè)大小，其他如c，等用法一樣，如下：注： 這就是scatter基本的用法。

PROC FACTOR.PROC FASTclus data=Arndata.clusdat maxclusters=3 list out=clusdat_Out;PROC VARclus data=Arndata.clusdat;PROC VARclus centroid data=Arndata.clusdat outtree=clusdat_out;PROC DISCRIM data=Arndata.discrimdat list out=discrimdat_Out distance pool=yes;PROC DISCRIM data=Arndata.discrimdat1 testdata=Arndata.discrimdat2 testlist testout=discrimdat_Out;

SQL左右連接中的on and和on where的區(qū)別。ID TYPE ID CLASS ---------- ---------- ---------- ---------- 1 2 1 1 對(duì)比發(fā)現(xiàn)：（⑤，⑥）和（⑦，⑧）結(jié)果都一樣，也就是說內(nèi)連接inner join on and 或者on where不管是對(duì)左表還是右表進(jìn)行過濾，實(shí)際都是在生成臨時(shí)表以后再進(jìn)行過濾的，而且對(duì)左表和右表都起作用，這與左連接left join有本質(zhì)的區(qū)別！?。?/blockquote> http://www.ahfyzs.com/content/17/0306/10/20320906_634368020.shtml 2017/3/6 10:36:52

這篇博文簡(jiǎn)單介紹ROC和AUC的特點(diǎn)，以及更為深入地，討論如何作出ROC曲線圖以及計(jì)算AUC。這條對(duì)角線上的點(diǎn)其實(shí)表示的是一個(gè)采用隨機(jī)猜測(cè)策略的分類器的結(jié)果，例如(0.5,0.5)，表示該分類器隨機(jī)對(duì)于一半的樣本猜測(cè)其為正樣本，另外一半的樣本為負(fù)樣本。下圖是一個(gè)示例，圖中共有20個(gè)測(cè)試樣本，“Class”一欄表示每個(gè)測(cè)試樣本真正的標(biāo)簽（p表示正樣本，n表示負(fù)樣本），“Score”表示每個(gè)測(cè)試樣本屬于正樣本的概率[^4]。

http://www.ahfyzs.com/content/12/0107/18/232916_177928176.shtml 2017/2/24 14:44:22

孫過庭《書譜》（高清圖附釋文）

http://www.ahfyzs.com/content/17/0224/14/20320906_631675042.shtml 2017/2/24 14:43:48

孫過庭《書譜》原文、注釋和譯文 孫過庭《書譜》原文、注釋和譯文摘要: 孫過庭《書譜》原文、注釋和譯文 孫過庭簡(jiǎn)介和解題： 孫過庭（約六四六年——六九一年），唐垂拱年間書法家、書法理論家。一說名虔禮，字過庭。孫過庭（約六四六年——六九一年），唐?垂拱年間書法家、書法理論家。近人朱建新在所著孫過庭《書譜箋證》一書中認(rèn)為，《書譜》應(yīng)是全文，唯屢經(jīng)裝裱，中間已有斷失，“卷下”等字失去，故多雜議。

http://www.ahfyzs.com/content/11/0915/12/2006953_148416614.shtml 2017/2/15 17:59:31

今譯：關(guān)于古代以來，善長書法的人，在漢、魏時(shí)期，有鐘繇和張芝的卓絕書藝，在晉代末期是王羲之和王獻(xiàn)之的墨品精妙。今譯：我少年讀書時(shí)，就留心學(xué)書法，體會(huì)鐘繇和張芝的作品神采，仿效羲之與獻(xiàn)之的書寫規(guī)范，又竭力思考專工精深的訣竅，轉(zhuǎn)瞬過去二十多年，雖然缺乏入木三分的功力，但從未間斷臨池學(xué)書的志向。今譯：在以往書法家中，王羲之的書跡為各代人所贊譽(yù)學(xué)習(xí)，可作為效法的宗師，從中獲得造就書法的方向。

http://www.ahfyzs.com/content/17/0119/11/20320906_623448864.shtml 2017/1/19 11:04:34

宏2：vlev 對(duì)變量的所有水平遍歷 /*遍歷變量的水平*/ %macro vlev(set,var,iter,vlib=tree_tmp); /*遍歷當(dāng)前變量的所有水平*/ proc sql noprint; select count(*) into :_lev_tem from &vlib..&set._lev where var_cand="&var" ;/*純子集的熵增為0*/%if &ent_gap >0.001 %then %do;data tem2;set tree.stack(where=(set_from="&set" and var_name="&win_var"));iter=iter+1;keep set_from set_name iter set_recs set_ent;run;

http://www.ahfyzs.com/content/17/0115/23/20320906_622722374.shtml 2017/1/15 23:29:42

Python·Jupyter Notebook各種使用方法記錄·持續(xù)更新Python·Jupyter Notebook各種使用方法記錄·持續(xù)更新。1 Jupyter的工作空間在哪里指定2 如何找到該配置文件三Jupyter的各種快捷鍵四Jupyter Notebook如何導(dǎo)入代碼。1 將本地的py文件load到j(luò)upyter的一個(gè)cell中2 從網(wǎng)絡(luò)load代碼到j(luò)upyter五Jupyter運(yùn)行python文件六Jupyter一些其他瑣碎用法。一、 Jupyter NoteBook的安裝1.1 新版本Anaconda自帶Jupyter.

http://www.ahfyzs.com/content/17/0113/16/20320906_622237486.shtml 2017/1/13 16:33:16

該命令行的含義是：首先cd 到該要執(zhí)行的Python腳本所在的目錄（CURRENT_DIRECTORY），在該目錄下，執(zhí)行 python程序，這樣工作目錄就由默認(rèn)的Notepad++的安裝目錄，改為了該要執(zhí)行的Python腳本所在的目錄?！?】如何在Notepad++中配置Python開發(fā)環(huán)境（http://glorywu.com/如何在Notepad++中配置Python開發(fā)環(huán)境/）【2】Notepad++搭建Python開發(fā)環(huán)境的一個(gè)小改進(jìn)（http://www.cnblogs.com/tt-0411/archive/2011/10/30/2229544.html）

http://www.ahfyzs.com/content/17/0109/13/20320906_621277724.shtml 2017/1/9 13:32:37

其實(shí)Boosting更像是一種思想，Gradient Boosting是一種Boosting的方法，它主要的思想是，每一次建立模型是在之前建立模型損失函數(shù)的梯度下降方向。這句話有一點(diǎn)拗口，損失函數(shù)(loss function)描述的是模型的不靠譜程度，損失函數(shù)越大，則說明模型越容易出錯(cuò)（其實(shí)這里有一個(gè)方差、偏差均衡的問題，但是這里就假設(shè)損失函數(shù)越大，模型越容易出錯(cuò)）。我們的模型是由多個(gè)模型加起來的，β表示每個(gè)模型的權(quán)重，α表示模型里面的參數(shù)。

http://www.ahfyzs.com/content/17/0109/13/20320906_621276518.shtml 2017/1/9 13:26:44

2.2 AdaBoost誤差函數(shù)。上面解釋到了，AdaBoost在迭代學(xué)習(xí)的過程，就是希望讓∑un(t)越來越小的過程，那么我們新的目標(biāo)就是最佳化∑un(T+1)： 我們可以畫出0/1錯(cuò)誤和AdaBoost誤差函數(shù)err(s,y) = exp(-ys)的函數(shù)曲線，我們發(fā)現(xiàn)AdaBoost的誤差函數(shù)（稱為exponential error measure）實(shí)際上也是0/1錯(cuò)誤函數(shù)的上限函數(shù)，于是，我們可以通過最小化該函數(shù)來起到最佳化的效果。梯度提升應(yīng)用于回歸問題時(shí)，誤差函數(shù)選中均方誤差函數(shù)。

http://www.ahfyzs.com/content/16/1231/15/20320906_619106737.shtml 2016/12/31 15:19:48

解決各種python庫無法安裝的問題，直接安裝編譯文件例如 lxml的處理方式：Python3.4 用 pip 安裝lxml時(shí)出現(xiàn) “Unable to find vcvarsall.bat ”？

http://www.ahfyzs.com/content/16/1230/10/20320906_618843025.shtml 2016/12/30 10:53:13

http://www.ahfyzs.com/content/16/1229/10/20320906_618603040.shtml 2016/12/29 10:35:17

[轉(zhuǎn)載]logistic回歸模型總結(jié)。二、logistic回歸模型初步。而logistic是一個(gè)分類模型，目標(biāo)變量只是一個(gè)分類標(biāo)識(shí)，因此更關(guān)注預(yù)測(cè)值和預(yù)測(cè)值之間的相對(duì)一致性而不是絕對(duì)一致性。Probability modeled is remiss=1.（注：這個(gè)要關(guān)注指明了模型求的是在自變量作用下因變量remiss=1的概率）（二）Stepwise SelectionProcedure（注：逐步回歸的選擇過程，說明了模型是怎么一步步根據(jù)一定的原則來選擇最終進(jìn)入模型的變量的）

http://www.ahfyzs.com/content/16/1228/13/20320906_618392632.shtml 2016/12/28 13:19:33

SAS多元分析之聚類(1)–proc cluster | Statistics with SAS。本文主要對(duì)SAS做聚類分析的proc cluster步的應(yīng)用做一個(gè)簡(jiǎn)單的摘錄，相關(guān)的理論知識(shí)細(xì)節(jié)，請(qǐng)參見SAS help文檔及其他統(tǒng)計(jì)學(xué)相關(guān)文獻(xiàn)等。proc cluster一般適用于規(guī)模較小的樣本觀測(cè)聚類（即Q型聚類）。outtree= 生產(chǎn)一個(gè)數(shù)據(jù)集，存儲(chǔ)cluster過程的聚類歷史，可被proc tree調(diào)用作圖。用proc cluster做聚類分析，采用Ward法，如下：?View Code SAS。proc sort data=result;