mae

机器学习第10天：模型评价方法及代码实现

分类评价指标1.精确率(Precision)2.召回率(Recall)3.准确率(Accuracy)4.F1_score二、回归评价指标1.平方根误差(RMSE)2.均方误差(MSE)3.平均绝对误差(MAE
K同学啊·2022-08-09 10:27

更简单的掩码图像建模框架SimMIM介绍和PyTorch代码实现

MAE发布以来，各种使用掩码技术的自监督掩码模型在其基础之上有了更进一步的研究。
·2022-08-07 10:29

机器学习实验报告1——线性模型，决策树，神经网络部分

1.线性模型实验内容和部分实验结果：实验1一元线性预测kaggle房价实验2多元线性预测kaggle房价，选择多种特征进行组合，完成多元线性回归，并对比不同的特征组合，它们训练出的模型在十折交叉验证上MAE
dor.yang·2022-08-06 07:34

GraphMAE：将MAE的方法应用到图中使图的生成式自监督学习超越了对比学习

前几天的文章中我们提到MAE在时间序列的应用，本篇文章介绍的论文已经将MAE的方法应用到图中，这是来自[KDD2022]的论文GraphMAE:Self-supervisedMaskedGraphAutoencoders
·2022-07-20 11:58

机器学习之回归模型预测性能评估指标（RMSE、MSE、MAE、MAPE、SMAPE、R^2 Score、R^2 ）

一、机器学习简介机器学习就是通过大量的数据进行训练，然后得出输入数据的模型特征；再次输入相关的数据时，能得到一个预测的结果。这在现实生活中解决了大量的问题，如：股票预测、物体分类、房价预测等等，这些都依赖机器学习带给我们的便利。机器学习中又分为两大类：监督学习和非监督学习。而监督学习中又分为回归问题和分类问题。本文章中主要讲回归问题。二、回归模型的评估指标假设：预测值：真实值：2.1平均绝对误差M
花开花落与云卷云舒·2022-07-19 22:12

5个时间序列预测的深度学习模型对比总结：从模拟统计模型到可以预训练的无监督模型

时间序列预测在最近两年内发生了巨大的变化，尤其是在kaiming的MAE出现以后，现在时间序列的模型也可以用类似MAE的方法进行无监督的预训练MakridakisM-Competitions系列（分别称为
·2022-07-15 11:06

端到端的机器学习项目

端到端的机器学习项目一、关于RMSE和MAE的理解二、快速查看数据结构三、创建测试集四、地理数据可视化可视化参数查找关联五、数据清洗pandas的dropna()函数pandas的drop函数Imputerfit
「已注销」·2022-07-01 07:10

经典论文阅读笔记——VIT、Swin Transformer、MAE、CILP

主要是VIT、SwinTransformer、MAE、CILP这四篇。  有一句话说的很有道理，因此放在这篇博客最前面。为什么NLP领域的预训练模型很好用，但是图像领域的预训练模型就很一般？
gailj·2022-06-28 07:39

基于EasyCV复现ViTDet：单层特征超越FPN

简介：ViTDet其实是恺明团队MAE和ViT-basedMaskR-CNN两个工作的延续。
·2022-06-21 10:39

MAE同期工作，MSRA新作SimMiM：掩码图像建模，赶在内卷前的新方向！

ArXiv链接:https://arxiv.org/abs/2111.09886OpenCode:https://github.com/microsoft/SimMIM目录摘要1、介绍2、相关工作3、方法MIM架构可视化结论摘要这篇文章提出了一个新的图像掩码建模的框架SimMiM。我们简单化了最近提出的相关方法，不需要特别的设计需要，例如通过离散VAE或聚类的块掩码和令牌化。为了调查是什么使得掩码
烧技湾·2022-06-14 10:05

GreenMiM：接地气的MiM，强强联合Swin Transformer和何凯明的MAE，没有大显卡也能跑起来

ArXiv:https://arxiv.org/abs/2205.13515OpenCode:https://github.com/layneh/greenmim摘要这篇文章提出了一种针对MiM（Maskedimagemodeling，遮挡图像建模）采用分层ViT如SwinT的有效方法，允许分层ViT丢弃掩码块只在可见图像块上操作。这个方法包含两个关键组成：第一，对于窗口注意力，设计了组窗口注意力
烧技湾·2022-06-14 10:35

何凯明最新一作MAE解读系列1

没有花里胡哨的修饰，MAE就是那么简单的强大，即结构简单但可扩展性能强大。
烧技湾·2022-06-14 10:01

Simple-SR：Best-Buddy GANs for Highly Detailed Image Super-Resolution论文浅析

如何生成具有真实感的超分图像；具体而言：目前许多相关方法在PSNR、SSIM等指标上都取得很好的结果，但是大多数方法可能会产生模糊的视觉效果；为了提高恢复图像的感知质量，一些方法使用对抗学习和感知损失，但是由一对一的MSE/MAE
加油当当·2022-06-10 07:21

机器学习基础备忘录

文章目录距离计算模型选择留出法交叉验证法留一法性能度量均方误差MSE均方根误差RMSE平均绝对误差MAE准确率混淆矩阵ROC曲线协方差CovSklearn线性模型线性回归逻辑回归Pytorch简介偏导数计算多次求导非标量输出线性回归
阿腾木·2022-06-06 07:53

[机器学习与scikit-learn-29]：算法-回归-普通线性回归LinearRegression拟合线性分布数据的代码示例

CSDN博客本文网址：目录第1章LinearRegression类说明第2章LinearRegression使用的代码示例2.1导入库2.2导数数据集2.3分割数据集2.4建立模型与进行训练2.5MSE、MAE
文火冰糖的硅基工坊·2022-06-04 07:34

VideoMAE：南大MCG&腾讯AI Lab 提出第一个视频版MAE框架，使用90%甚至95%遮挡，性能SOTA！...

关注公众号，发现CV技术之美本文分享论文『VideoMAE:MaskedAutoencodersareData-EfficientLearnersforSelf-SupervisedVideoPre-Training』，由南大王利民团队提出第一个VideoMAE框架，使用超高maskingratio（90%-95%），性能SOTA，代码已开源！详细信息如下：论文链接：https://arxiv.or
我爱计算机视觉·2022-05-30 16:55

何凯明最新一作MAE解读系列2之代码实践

目录前言一睹为快，眼见为实代码解读前言github：https://github.com/facebookresearch/mae论文：https://arxiv.org/abs/2111.06377解读
烧技湾·2022-05-30 07:10

【ASTGCN】代码解读(torch)之train_ASTGCN_r（二）

load_graphdata_channel1`三、lib.utlis函数`get_adjacency_matrix`四、函数`train_main`五、函数`predict_main`六、lib.metrics中的函数`masked_mae
panbaoran913·2022-05-30 07:50

基于Matlab的深度学习LSTM模型时间序列多步预测——单对单

代码最后还提供了误差分析部分，展示了绝对误差、MAE、RMSE、MAPE共4个误差指标，可供参考。代码基于m
hwc_yzt·2022-05-25 02:58

《Python深度学习》第三章-2（波士顿房价-回归问题）读书笔记

第三章-2(回归问题)本次重点：boston_housing的回归模型(K折验证，loss=‘mse’,metrics=‘mae’)3.1预测房价：回归问题回归问题前面两个例子都是分类问题，其目标是预测输入数据点所对应的单一离散的标签
Paul-Huang·2022-05-24 07:08

MAE 自监督算法介绍和基于 EasyCV 的复现

导言自监督学习（Self-SupervisedLearning）能利用大量无标注的数据进行表征学习，然后在特定下游任务上对参数进行微调。通过这样的方式，能够在较少有标注数据上取得优于有监督学习方法的精度。近年来，自监督学习受到了越来越多的关注，如YannLecun也在AAAI上讲Self-SupervisedLearning是未来的大势所趋。在CV领域涌现了如SwAV、MOCO、DINO、MoBY
·2022-05-23 15:39

MAE 自监督算法介绍和基于 EasyCV 的复现

简介：自监督学习（Self-SupervisedLearning）能利用大量无标注的数据进行表征学习，然后在特定下游任务上对参数进行微调。通过这样的方式，能够在较少有标注数据上取得优于有监督学习方法的精度。近年来，自监督学习受到了越来越多的关注，如YannLecun也在AAAI上讲Self-SupervisedLearning是未来的大势所趋。在CV领域涌现了如SwAV、MOCO、DINO、MoB
·2022-05-20 10:47

基于Matlab的深度学习LSTM模型时间序列多步预测——单对单

代码最后还提供了误差分析部分，展示了绝对误差、MAE、RMSE、MAPE共4个误差指标，可供参考。代码基于m
胡伟成·2022-05-15 21:45

ai人工智能培训讲师计算机视觉讲师叶梓：计算机视觉领域的自监督学习模型——MAE-8

接上一篇P17-P18BEiTn让BEIT看很多的图片，随机遮住一些patches，让BEIT模型预测遮住的patches是什么n不断计算预测的patches与真实的patches之间的差异，利用它作为loss进行反向传播更新参数，来达到Self-SupervisedLearning的效果。视觉和语言用的maskedautoencoder区别n架构差异：CNN天然适合图像领域，而应用Transfo
大数据AI人工智能专家培训讲师叶梓团队·2022-05-11 07:07

ViT for Detection

本文介绍何恺明组在MAE后发表的两篇论文。
Valar_Morghulis·2022-05-09 17:09

机器学习(分类回归问题)常用评估指标

文章目录分类常用指标基于混淆矩阵的评价指标AUC回归模型常用评价指标均误差方（MSE）平均绝对误差（MAE）平均绝对比例误差（MAPE）R方分类常用指标基于混淆矩阵的评价指标以二分类为例，由于模型预测存在误差
zhong_ddbb·2022-05-07 07:29

机器学习回归模型评价指标

回归模型的性能的评价指标主要有：RMSE(平方根误差)、MAE（平均绝对误差）、MSE(平均平方误差)、R2_score。
数据分析厂长·2022-05-07 07:54

机器学习 | 回归评估指标

机器学习|回归评估指标1.回归评估指标1.1平均绝对误差MAE1.1.1Sklearn计算MAE1.2均方误差MSE1.2.1Sklearn计算MSE1.3判定系数R^2^1.3.1Sklearn计算R
karupinwm.·2022-05-07 07:44

python机器学习入门（2）模型优化（以决策树为例），来自kaggle竞赛

此函数用于返回模型拟合效果，用绝对平均误差评估'''max_leaf_nodes决策树分叶数train_X训练集自变量val_X测试集自变量train_y训练集因变量val_y测试集因变量'''defget_mae
Eclipse_XBY·2022-05-05 07:27

python深度学习笔记--预测房价回归问题

@python深度学习1–笔记预测房价回归问题美好的一天从深度学习开始1新概念1.标量回归：预测单一连续值的回归2.均方误差（MSE）:预测值与目标值之差的平方3平均绝对误差（MAE）预测值与目标值之差的绝对值
小杜今天学AI了吗·2022-05-01 07:03

MAE

MaskedAutoencodersAreScalableVisionLearnershttps://github.com/facebookresearch/maehttps://arxiv.org/abs/2111.06377摘要：本文表明，屏蔽自动编码器（MAE
Valar_Morghulis·2022-04-22 18:46

Multi-modal Multi-task Masked Autoencoder：一种简单、灵活且有效的 ViT 预训练策略

MAE是一种使用自监督预训练策略的ViT，通过遮蔽输入图像中的补丁，然后预测缺失区域进行子监督的与训练。
·2022-04-12 11:03

MAE 论文逐段精读【论文精读】（深度学习论文篇）

源于沐神：MAE论文逐段精读【论文精读】(bilibili.com)MAE2021.11.11提交arxiv知乎百万view;RedditorTwitter讨论不多MAE很新-->如何在读比较新的文章获取一些新的研究思路
MT_Joy·2022-03-29 07:06

大火的何铠明：MAE——用于计算机视觉的可扩展自监督学习神器

如今，何铠明又带来一种用于计算机视觉的可扩展自监督学习器,称之为”掩码自编码器(MAE)“，本文将对该视觉学习器原理及实现方法进行解读。MaskedA
奥比中光3D视觉开发者社区·2022-03-29 07:57

python实现基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法 python实现协同过滤推荐算法代码 程序 源代码 思路方法 测评指标MAE、RMSE、Recall、Precision

python实现基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法实现原理、公式、思路在前文中已有介绍，本次不再详细描述。本文主要是使用python语言实现推荐算法，python语言有很多工具模块便于实现推荐算法，本文没有大量使用已有的机器学习模块，更多的是使用python的基础语法实现，注释详细，代码阅读性好，便于学习。python版本3
linge511873822·2022-03-27 07:29

从零开始学习机器学习一：揭开人工智能的面纱

机器学习算法分类1.5模型评估均方根误差（RootMeanSquaredError，RMSE）相对平方误差（RelativeSquaredError，RSE）平均绝对误差（MeanAbsoluteError，MAE
火航·2022-03-14 07:20

【第十届“泰迪杯”数据挖掘挑战赛】B题：电力系统负荷预测分析 Baseline

数据读取2.2温度特征处理2.3天气状况特征处理2.4风向特征处理2.5天气进行有序编码2.6连着两张表2.7时序特征提取(后期直接加入测试集数据)3模型训练3.1自定义训练集3.2训练3.2模型评价（MAE
Better Bench·2022-03-04 07:26

基于RNN，LSTM,GRU对黄金期货的时间序列研究

LSTM模型介绍三、实验论证3.1数据预处理3.2模型的评价指标3.3实验模型设置3.4实验数据和超参数设置3.5模型性能评估和实验结果比较3.5.1LOSS图像:3.5.2三种模型MSE,RMSE,MAE
我超爱Debug·2022-02-27 11:07

北大博士生提出CAE，下游任务泛化能力优于何恺明MAE

杨净发自凹非寺量子位|公众号QbitAI上回说道，何恺明时隔两年发一作论文，提出了一种视觉自监督学习新范式——用掩蔽自编码器MAE，为视觉大模型开路。
QbitAl·2022-02-25 07:07

中科大、MSRA提出视觉Transformer BERT预训练新方式，优于MAE、BEiT

©作者|机器之心编辑部来源|机器之心来自中国科学技术大学、微软亚研等机构的研究者提出了PeCo，用于视觉transformer的BERT预训练，在多项任务上实现最高性能。基于大型语料库训练的Transformer模型在自然语言处理中取得了巨大的成功，作为Transformer构建块，self-attention极大地改变了计算机视觉任务。NLP的成功不仅依赖于Transformer的计算效率和可扩
PaperWeekly·2022-02-24 07:55

北大博士生提出CAE，下游任务泛化能力优于何恺明MAE

何恺明时隔两年发一作论文，提出了一种视觉自监督学习新范式——用掩蔽自编码器MAE，为视觉大模型开路。这一次，北大博士生提出一个新方法CAE，在其下游任务中展现的泛化能力超过了MAE。
对白的算法屋·2022-02-23 21:00

去除马赛克，有办法了 附运行教程

发展到现在，消除马赛克的技术已经趋于成熟了，这不前两周，又开源了一个新的算法MAE。这个更厉害，即使画面遮挡超过90%，ai也会想办法帮我们
猫宁一·2022-02-19 13:37

均方根误差(RMSE)&平均绝对误差(MAE)详解

典型性能衡量指标有均方根误差（RMSE）与平均绝对误差(MAE)，表示的是期望值与实际值之间的距离。
coderge·2022-02-14 02:26

Python机器学习--算法评估指标--各类型算法评估指标

分类算法常用评估指标:准确率,查准率,查全率,F1-score,PR曲线,ROC曲线和AUC指标,ROC曲线下的面积就是AUC指标.回归算法的评估指标:R方范围[-inf,1](真实值与预测),MSE,MAE
扁舟钓雪·2022-02-13 07:01

Python机器学习--聚类-分类-回归三大算法评估指标

score,PR曲线,ROC曲线和AUC指标,ROC曲线下的面积就是AUC指标.聚类算法常用评估指标:轮廓系数SSE(误差平方和)回归算法的评估指标:R方范围[-inf,1](真实值与预测),MSE,MAE
轻窕·2022-02-13 07:30

Python机器学习之模型评估及选择

1.评估方法1、回归：RMSE(平方根误差)、MAE（平均绝对误差）、MSE(平均平方误差)、Coefficientofdetermination(决定系数R2)、MAPE（平均绝对百分误差）、MSLE
*猪耳朵*·2022-02-13 07:46

用numpy实现回归树

评价标准回归树与分类树同样采取数据分割的方式进行拟合，分类树的常用指标有信息增益、信息增益率和基尼系数等；回归树常使用绝对平均方差（MSE）和绝对平均误差（MAE），本文中将使用MAE。
dalalaa·2022-02-04 16:18

何恺明MAE大火之后，想梳理下视觉Transformer？这篇综述帮你梳理了100多个

先是何恺明等人用简单的掩蔽自编码器MAE证明了Transformer扩展到CV大模型的光明前景；紧接着，字节跳动又推出了部分指标超过MAE的新方法iBOT，将十几项视觉任务的SOTA又往前推了一步。
机器学习社区·2021-11-26 13:21

关于各种回归评价指标MSE、RMSE、MAE、R-Squared、Standard Deviation（标准差）

文章目录写在前面均方误差（MSE）均方根误差（RMSE）MAE（平均绝对误差）R-Squared（拟合度）StandardDeviation（标准差）参考文献写在前面在查找有关各种回归评价指标时，发现有的博客不是图片显示不出来就是有的文章需要付费阅读
RDSunday·2021-11-13 12:31

基于用户的协同过滤推荐算法WEB版代码实现（包含输出用户-评分矩阵模型、用户间相似度、最近邻居、推荐结果、平均绝对误差MAE、查准率、召回率）

基于用户的协同过滤推荐算法WEB版代码实现（包含输出用户-评分矩阵模型、用户间相似度、最近邻居、推荐结果、平均绝对误差MAE、查准率、召回率）一、开发工具及使用技术MyEclipse10、jdk1.7、
line511873822·2021-06-23 08:59
上一页 9 10 11 12 13 14 15 16 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他