prediction

    0

    1答えて

    私は予測を行うためにsvmクラシファイアをトレーニングしようとしています。訓練されたモデルを使用しようとすると、このエラーが発生します。テストデータがモデルと一致しません。私はなぜこれが起こっているのではない。これは、このエラーの背後にある理由は、私はSVM分類器を混同しているトレーニングとテストデータの観測のIDが含まれていることである私のコード # to prepare the trainin

    0

    1答えて

    library(caret) irisFit1 <- knn3(Species ~ ., iris) irisFit2 <- knn3(as.matrix(iris[, -5]), iris[,5]) data(iris3) train <- rbind(iris3[1:25,,1], iris3[1:25,,2], iris3[1:25,,3]) test <- rbind(iri

    0

    1答えて

    ポアソン回帰モデルを構築した後、Rの予測関数を使用して予測を作成できます。私はRで設定した私の新しいデータでうまくいっていません。 newdata <- data.frame( patient = mean(myd$patient), hypertensive = factor(1:4, levels = 1:4, labels = levels(myd$hypertensive

    1

    1答えて

    私は二項glmモデルを構築しました。このモデルは、2つの潜在的なクラス(ADまたはControl)の間の出力を予測します。これらの変数は、{AD、Control}レベルの要因です。私はこのモデルを使って各サンプルの確率を予測していますが、0.5を超える確率がADまたはコントロールを示すかどうかは私には不明です。ここで は私のデータセットです。 > head(example) clea

    0

    1答えて

    私はパイプラインを使ってSparkでロジスティック回帰を訓練しました。それは走りました、そして、私はモデル診断を見ています。 モデルサマリー(lr_summary = lrModel.stages [-1]。サマリー)を作成しました。 その後、私はかなりコードをthis webpageからコピーしました。私はこの例のPythonコード使用してF値に基づいて最適なしきい値を決定しようとするまで、それ

    1

    1答えて

    私はTensorで訓練された神経モデルで予測するのに問題があります。ここに私の試みです: import tensorflow as tf import pandas, numpy as np dataset=[[0.4,0.5,0.6,0],[0.6,0.7,0.8,1],[0.3,0.8,0.5,2],....] X = tf.placeholder(tf.float32, [None,

    0

    1答えて

    Kerasはすべての入力に対して常に同じクラスを予測します。現在、4つのクラスがあります。 ニュース、天気、スポーツ、経済。 トレーニングセットは、クラスがトピックと同じ、さまざまなテキストで構成されています。ニュースとスポーツに分類されるテキストは、天気と経済のテキストよりもはるかに多くあります。 ニュース:12112のテキスト 天気:私はモデルがスポーツとニュースに偏っされると予想しているでし

    1

    2答えて

    Rを使ってROCプロットを描く方法を教えてください。 ロジスティック回帰モデルを作成しました。 dt3 - 主データセット dt3Training - dt3Test主データセットから作られたトレーニングスプリット - 以下 主データセットから作られた試験分割がロジスティック回帰のために使用されるコードである: ctrl<- trainControl (method="repeatedcv", n

    0

    1答えて

    SVMの使用のポイントは、アルゴリズムが入力が真か偽かなどを判断できるということです。 予測保守にSVMを使用して、システムの可能性を予測しようとしています。オーバーヒート。 私の例では、範囲は0-102℃です。温度が80℃以上になると、故障として分類されます。 私の入力は30倍(最後の30回の読み)の配列です。 私はSVMを訓練するためにいくつかのサンプル入力をしていますが、訓練のために非常に特

    5

    2答えて

    実線の終点から予測値まで点線を延長する簡単な方法はありますか? x = rnorm(10) y = 5 + x + rnorm(10,0,0.4) my_lm <- lm(y~x) summary(my_lm) my_intercept <- my_lm$coef[1] my_slope <- my_lm$coef[2] my_pred = predict(my_lm,data.f