概要 Semi-Supervised Learning with Deep Generative Models を読んだ Chainer 1.8で実装した モデルM1、M2、M1+M2の実装方法の解説 モデルM2で100ラベルのエラー率9%を達成した モデルM1+M2で100ラベルのエラー率4%を達成した
learning_phaseはTrainingとTestで動作が異なる場合に使います。TrainingとTestでネットワークが変わらない場合は入りません。 learning_phaseは、Training時に1にセットされ、Test時には0にセットされます。この値によりネットワークを切り替えています。値の入力はkerasが自動で行っているので何もしなくてよいです。例えばValidationの時は0が設定されます。 簡単な例 簡単なMaltilayer Neural Networkの例はこんな感じになります。 import numpy as np from keras.datasets import mnist from keras.models import Sequential from keras.layers.core import Dense, Dropout, Activati
[基本解説→ポストホックテストとしての多重比較検定] →[検定-1要因多群-2要因多群] →[ANOVA] 独立した群が3群以上あるとき、どの群とどの群の平均値に有意差があるかを検定! 基本的に、多重検定は、2群比較のためのt検定の拡張版である。 比較の数が増加する(=2群ずつの検定を繰り返す)ことによる第一種の過誤の増大を調整するために、危険率の補正方法が異なる種々の検定がある。↓ (棄却域:Fisher PLSD < Tukey < Bonferroni < Scheffe) ◎多重比較の2通りの立場 ・事前比較 (A priori comparisons): 結果を分析する前に,理論的な背景などにより,比較する平均値についての仮説がある場は、 ANOVA抜きで、多重比較を行う。 ・事後比較 (Post hoc comparisons): 比較する平均値についての明確な仮説がない場合
Taking care of business, one python script at a time Introduction In many practical Data Science activities, the data set will contain categorical variables. These variables are typically stored as text values which represent various traits. Some examples include color (“Red”, “Yellow”, “Blue”), size (“Small”, “Medium”, “Large”) or geographic designations (State or Country). Regardless of what the
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く