政治学方法論 II：階層モデルとStan によるベイズ推定
theta.hat.sp <- matrix(rnorm(1000 * J, mean = Schools$y, sd = Schools$sigma), nrow = 1000, byrow = TRUE) df <- data.frame(y = Schools$y, median = apply(theta.hat.sp, 2, median), lower = apply(theta.hat.sp, 2, function(x) quantile(x, .025)), upper = apply(theta.hat.sp, 2, function(x) quantile(x, .975))) separating <- ggplot(df, aes(x = y, y = median)) + geom_linerange(aes(ymin = lower, ymax = upper
分類性能とMAE - お勉強メモ
名刺お疲れ様でした。 終盤はGPUメモリ足りないとイライラしていましたが、足りないのは創意工夫でした。 私はMXNetを使って取り組んでました。multi-inputとかmulti-outputのやり方を泣きながら調べたのも良い思い出です。 その話はまた時間があればまとめます。今日は軽いネタを一つ。 本題 今回のコンペはマルチラベル問題で、評価指標はMAEでした。 サンプル数が で、そのインデックスを とします。同様にクラス数が で、そのインデックスを とします。 番目のサンプルの クラス に対するフラグを 、予測値を と表します。 MAE(Mean Absolute Error)は で計算します。 このとき、 は確率ではなくフラグにしないと殆どの場合で損するはずです。 MAEにはmedianを返すのがお約束なので、これ以上は不要な説明かもしれませんが、泥臭くやってみます。 何らかの機械学
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
pyflux.com - 
Variational Inference with Normalizing Flows
A Latent Variable Model Approach to PMI-based Word Embeddings
Posit
