- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我正在链接数据集以查找其中的重复条目。我不知道在我的数据集中出现重复项的次数。
在我的阻塞之后,我最终得到了以下数据集:
[这是一个示例数据集,不是我的真实数据]
1st Dataset: Region AB_1, df1
FName_1 SName_1 Area_1 Age_1
1a Ben Nevis AB 30
2a Ben Neviss AB 30
3a Andy Red AB 35
4a Andy Redd AB 35
2nd Dataset: Region AB_2, df2
FName_2 SName_2 Area_2 Age_2
1b Ben Nevis AB 30
2b Ben Neviss AB 30
3b Andy Red AB 35
4b Andy Redd AB 35
因此,我正在将同一数据集中的记录相互比较。
我使用基于 Fellegi Sunter 算法的 EM 算法将上述数据集进行比较,协议(protocol)变量为“forename”、“surname”和“age”。
我通过将数据集 1 中的每条记录与数据集 2 中的每条记录进行比较来创建我的比较空间,即 4 * 4 = 16 个可能的记录对。
例如
Record 1 vs Record 2
1a 1b
1a 2b
1a 3b
1a 4b
2a 1b
2a 2b
2a 3b
2a 4b
3a 1b
3a 2b
3a 3b
3a 4b
4a 1b
4a 2b
4a 3b
4a 4b
但是,这意味着与它们自身相比的相同记录正在传递到我的 EM 算法中:
例如
1a 1b
2a 2b
3a 3b
4a 4b
这些不是必需的,它们只是形成比较空间的残余。
由于 EM 算法是一种“学习算法”,它根据其输入信息优化一致和不一致变量的权重,我实际上是在为它提供更多的训练信息。
这反射(reflect)在结果中;
如果我在运行我的算法之前删除这些记录,我会得到 3001 条得分高于 0.9 的记录(使用我的真实数据集)。
但是,如果我在运行我的算法后删除了这些记录,我只会得到 0.9 分以上的 2486 条记录(使用我的真实数据集)。
即如果我包含这些重复的示例,则更具选择性。
将它们包含在 EM 中对我来说没有意义,但我担心删除会降低我的算法的准确性。
我应该在运行 EM 之前删除这些已知的重复项吗?
最佳答案
嗯,您肯定需要在训练集中包含一些匹配示例。
Yancey提到根据他的经验,当匹配比例低于 5% 时,EM 开始表现出收敛性差。在同一篇论文中,他继续建议用额外的对人为地丰富训练集。
最终,我们尝试构建一个函数,根据所有可能组合的有限子集 (S),在给定一致性向量的情况下,估计两条记录匹配的总体概率 A×B。如果没有匹配项,那么我可以立即为您提供该函数:p(a,b) = 0。
但是,您说即使删除了一些明确的重复项,您仍然会得到 0.9 的分数。这表明您的数据集也包含很多自然匹配项,即不具有相同 ID 但在姓名/年龄/地区上匹配的记录。那挺好的。然而,没有理由只训练这些自然匹配/重复。由于您的记录链接算法在真实数据上运行时无疑会看到许多精确匹配,因此在训练时它也应该暴露在精确匹配中。
最后,我要说的是,对每个使用相同的 0.9 阈值可能没有意义。这些概率是关于训练集 S 的,而不是真实世界。由于使用了两个不同的训练集,它们甚至无法相互比较!相反,您应该构建一组具有已知数量的真假匹配的保留对。然后确定一个阈值,该阈值对应于您认为最佳的误报率和漏报率。这通常是通过绘制 ROC curve 来完成的。 .只有这样,您才能知道哪个分类器最适合泛化到真实世界的数据。
关于python - 在运行 EM 记录链接算法之前是否应该删除重复条目?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46547236/
我有一个网站,并且我使用 javascript sdk 添加了“点赞”按钮。 这是代码 (function(d, s, id) { var js, fjs = d.g
我知道 HTML 是逐行读取的。当您链接多个 css 文件(如规范化文件和样式表文件)时,由于 CSS 重要性特异性和源顺序,样式表文件应链接在规范化文件之后。看起来这不会影响链接的 JavaScri
我正在使用官方 Bootstrap site 提供的 CDN 链接在我的网络应用程序中使用面板进行测试 在彻底检查我的代码后,面板没有显示。 但是我在 SO 上看到了类似的帖子并且 CDN 链接不同
这里是编码初学者。我正在尝试为我的移动设备网站设置断点,以便我的网站适合小屏幕。我只是想检查如果我缩小视口(viewport)的宽度,背景颜色是否会改变,但没有发生任何变化。也许我只是对一个简单的错误
举一个我想要的例子,想象一下这个字符串: $text = 'lorem ipsum About us lorem ipsum'; 如果此字符串包含一个 href 以 / 开头的 anchor 链接,则
如何链接到 LaTeX 文档的另一部分或子部分?这种链接的常规范式是什么,像[链接名称]那样写,或者像网页超链接那样写? 最佳答案 链接到另一个部分需要您的部分进行一些额外的标记。要使用的命令是: \
我有一个订单表,其中包含订单号、客户 ID 和代理 ID。然后有一个带有 id 的客户表和一个带有 id 的代理表。 我需要获取所有具有来自代理 ID 'a03' 和代理 ID 'a05' 的订单的客
假设我有: dic = {"z":"zv", "a":"av"} ## Why doesn't the following return a sorted list of keys? keys = d
我在尝试链接到外部库时得到了一些奇怪的结果。如果我从命令行运行以下命令: gcc fftwTest.c -I../extlib/fftw-3.3.5-dll32 -L../extlib/fftw-3.
我认为我没有正确理解 jQuery 链接。我正在遍历一个数组并尝试将 div 元素添加到我的包装器 CSS 类中,每个 div 元素都有一个“click”类和自定义 css top 和 left 属性
HTML 使用超级链接与网络上的另一个文档相连。几乎可以在所有的网页中找到链接。点击链接可以从一张页面跳转到另一张页面。 HTML 超链接(链接) HTML使用标签 a 来设置超文本链接。 超链
这个问题在这里已经有了答案: How do I link to part of a page? (hash?) (7 个答案) Scroll Automatically to the Bottom
我想创建一个 Docker Swarm 集群,运行一个 Elasticsearch 实例、一个 MongoDB 实例和一个 grails 应用程序,每个都在单独的机器上。我正在使用 Docker Ma
我正在尝试将 CakePHP HTML Linker 用于以下代码 Add Cuisine 由于 span 标签需要在 a 标签内。我无法根据需要获得输出。关于如何完成它的任何建议? 最佳答案 禁用链
大家好, 我最近开发了一个应用程序,很快就会提交到 App Store。我想免费提交这个应用程序,并想知道我是否可以实现一个带有 PayPal 捐赠标志的按钮,上面基本上写着“捐赠用于开发”或与此相关
我想尝试在 dlang 中使用 libuv。我下载了这样的 dlang 绑定(bind): git clone git@github.com:tamediadigital/libuv.git 现在我接
我有一个节点(节点 a),各种其他节点(节点 b/c/d/e)与之引用。 我可以创建一个带有参数的 View 作为我正在查看的节点(节点 a),并获取引用该节点的节点列表。 基本上在节点 a 查看节点
我正在尝试建立一个常见问题页面,上面有目录,下面有答案。我想点击目录中的一个问题,并在同一页面上链接到相应的答案。我如何在 CakePHP 中使用 $this->Html->link() 执行此操作方
在 WooCommerce 3.0+ 中,我使用 js 创建了一些选项卡,每个选项卡中包含来自不同类别的产品。我已经设法修改了简单产品的添加到购物车链接,其中点击了 addtocart 按钮它进入下一
Delphi 2007/2009 奇怪的问题在这里: 根据设计时定义的组件属性,是否可以在链接中包含文件或保留文件? 示例:如果我将 SomeProperty 保留为真,则在编译时,单元 SomeUn
我是一名优秀的程序员,十分优秀!