- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
有关我的数据集的一般信息:我有 40k 数据点和 5 个特征。我正在做回归并尝试建立一个可以预测 GPS 误差的模型。例如,假设您的车辆 GPS 出现 10 米的误差,并且您想要纠正它。因此,我带来了另一个 super GPS,它非常准确,在驾驶时测量了 40k 数据,因此在我的数据集中,我有一些车辆信息,包括速度、加速度、偏航率、时间戳和车轮角度,还有位置信息,即地面真实经度纬度以及我的普通 GPS 的错误经度和纬度。我将这些纬度和经度转换为 x 和 y,只是为了知道我应该将虚假经度和纬度移动多少,以便我的位置可以更准确并且与地面实况值相似。在这种情况下我的数据会很糟糕吗?我正在尝试预测 GPS 产生的经度和纬度误差,以便我稍后可以纠正它,所以这是一个回归问题,我正在使用上面的这些功能来做到这一点,我认为它们提供了信息,因为速度、加速度、偏航率和车轮角度以某种方式与位置相关(我错了吗?)
我一般性地问这个问题,我在互联网上读了一些文章,说数据有时很差或数据质量很差,但我不知道这神秘的句子的真正含义。
在训练神经网络时,我也遇到了一个问题,即我的损失在前 10-20 个时期开始减少,然后它停留在某个高值上,并且网络停止学习,就像它正在努力摆脱该损失值一样但它不能。我尝试只使用 100 个数据点而不是所有 40k 个数据点,我注意到它效果很好,神经网络实现了适应这些数据点,但随着我增加数据点的数量,性能变得更差(您对此有什么想法吗?)
有些人建议我没有很多数据和很多特征,在这种情况下,最好使用一些机器学习方法,因为在小数据集或者我的例子中特征很少的情况下,它的性能优于神经网络所以我也尝试使用随机森林,我注意到它比神经网络给出了更好的结果,但它也不能很好地概括,即使它在训练和验证集上给了我很好的结果,当我在测试数据上尝试时(数据随机森林从未见过),它的表现非常糟糕。
所以我在互联网上阅读可能导致这些问题的原因,我注意到有时会看到有人或文章声称数据质量可能很差!但这到底意味着什么呢?我认为神经网络可以映射任何类型的数据,如果我有一个特征和一个目标,那么神经网络可以将这两者映射在一起,至少它可以过度拟合数据,对吗?
有人可以告诉我什么是坏数据,或者更好的是我如何知道我的数据是否坏?好吧,如果有一种方法可以知道这一点,那么我可能会节省时间,而不会开始从事一个需要我一个月才能完成的项目,然后发现我的数据很糟糕。另外你能告诉我我的情况是否有意义吗?我的意思是,我觉得很奇怪,神经网络的性能非常差,比随机森林还要差。至少我的神经网络应该过度拟合数据,还是我错了?
所以我将发布我的数据的热图和配对图图像,也许这会让我更容易理解我的数据。与目标的相关性不好,这就是为什么我认为我的数据对于这项任务来说可能没有信息。这是配对图。 xdistance 和 ydistance 是我想要预测的目标
热图
最佳答案
了解数据是否不良的唯一方法是进行“数据探索”。找出特征之间是否存在很强的相关性,检查是否存在缺失值或许多异常值,并绘制数量图。
您描述的问题通常是用卡尔曼滤波器解决的(查看传感器融合)。这听起来像是一个可以解决的问题,并且肯定 40k 数据点对于神经网络来说并不算太小。
也许您只是在数据规范化方面做错了什么,或者您的网络架构很糟糕。
尝试将小数据集和大数据集的训练和测试损失图添加到问题中,这会很有帮助。
如果没有看到实际数据和一些代码,很难说更多。
关于machine-learning - 在这种情况下,我可以说我的数据很糟糕,并且使用机器学习不会取得任何成果,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59392121/
简介 在上一篇文章《机器学习:神经网络构建(上)》中讨论了线性层、激活函数以及损失函数层的构建方式,本节中将进一步讨论网络构建方式,并完整的搭建一个简单的分类器网络。 目录 网络Netwo
简介 在本篇文章中,我们采用逻辑回归作为案例,探索神经网络的构建方式。文章详细阐述了神经网络中层结构的实现过程,并提供了线性层、激活函数以及损失函数的定义(实现方法)。 目录 背景介绍
简介 在前两篇文章中,我们详细探讨了如何利用采样数据来估计回归曲线。接下来,在本节中,我们将深入讨论如何处理分类问题。 章节安排 背景介绍 数学方法 程序实现 背景介绍 线
简介 在上一篇文章《机器学习:线性回归(上)》中讨论了二维数据下的线性回归及求解方法,本节中我们将进一步的将其推广至高维情形。 章节安排 背景介绍 最小二乘法 梯度下降法 程序
PyCaret是一个开源、低代码Python机器学习库,能够自动化机器学习工作流程。它是一个端到端的机器学习和模型管理工具,极大地加快了实验周期,提高了工作效率。PyCaret本质上是围绕几个机器学习
在我的研究进展中,我现在已经将寄生虫从图像中分离出来。寄生虫看起来像蠕虫。我希望 MATLAB 读取所有输入图像,查找类似深紫色图像的蠕虫,如果检测到,则给出检测到的答复。我尝试使用直方图比较,但我认
目前我正在尝试了解机器学习算法的工作方式,但我没有真正了解的一件事是预测标签的计算准确度与视觉混淆矩阵之间的明显差异。我会尽量解释清楚。 这是数据集的片段(这里你可以看到 9 个样本(在真实数据集中大
第一章 绪论 机器学习 : 致力于研究如何通过计算的手段,利用经验来改善系统自身的性能。在计算机系统中, “经验” 通常以“数据“形式存在,因此,机器学习所研究的主要内容,是关于在计算
1. 算法原理(K-Nearest Neighbor) 本质是通过距离判断两个样本是否相似,如果距离够近就认为他们足够相似属于同一类别 找到离其最近的 k 个样本,并将这些样本称
前言 K-means是一种经典的无监督学习算法,用于对数据进行聚类。K-means算法将数据集视为具有n个特征的n维空间,并尝试通过最小化簇内平方误差的总和来将数据点划分为簇。本文将介绍K-m
目录 前言 介绍LightGBM LightGBM的背景和起源 L
前言 可以说掌握了机器学习,你就具备了与机器对话,充分利用机器为人类服务的能力。在人工智能时代,这将成为一项必备技能,就好比十年前你是编程大牛,二十年前你英语超好一样。因此,无论你是什么专业的
几个贯穿始终的概念 当我们把人类学习简单事物的过程抽象为几个阶段,再将这些阶段通过不同的方法具体化为代码,依靠通过计算机的基础能力-- 计算 。我们就可以让机器能够“学会”一些简单的事物。
1、选题背景 人脸识别技术是模式识别和计算机视觉领域最富挑战性的研究课题之一,也是近年来的研究热点,人脸性别识别作为人脸识别技术
每当我们在公有云或者私有云发布训练好的大数据模型,为了方便大家辨识、理解和运用,参照huggingface所制定的标准制作一个Model Card展示页,是种非常好的模型展示和组织形式。 下面就是一
2. 支持向量机 对偶优化 拉格朗日乘数法可用于解决带条件优化问题,其基本形式为: \[\begin{gather} \min_w f(w),\\ \mathrm{s.t.} \quad
我正在尝试运行以下代码: https://github.com/opencv/opencv/blob/master/samples/dnn/classification.cpp 我在这里找到所有经过预
我是机器学习新手。当我使用 scikit-learn 模块中的波士顿数据集练习具有默认参数的决策树回归模型时。 在此链接解决方案( How to Build a Decision tree Regre
我有用于训练的数据。当我将其输入神经网络时,该数据出现 3% 的错误。 我知道这些数据有一定的过度代表性 - 例如,第 5 类的示例大约是其他类的十分之一。 我的作业指出,我可以通过偏置训练数据(即删
我在 Python 的多类分类中使用 SVM 时遇到问题。事实上,问题在于性别分类(来自图像),其中训练数据集仅包含“y=1”或“ y=-1”作为类标签(二进制)。但是,在预测中,如果是男性,我必须预
我是一名优秀的程序员,十分优秀!