goodljq的博客

第一部分链接：Jackie：因果推断边学习边分享（一）目录 背景引入 因果推断简介 Rubin Causal Model (RCM) 及相关方法 传统RCM方法 深度RCM方法 Structural Equation Modeling (SEM) 及相关方法 因果关系的驳斥 因果推断与机器学习 学习材料推荐 后记 3 Rubin Causal Model (RCM) 及相关方法Rubi

前段时间被导师安利了Judy Pearl的书《The Book of Why》，开始关注因果推断这个领域。分享下自己对因果推断相关方法的学习，不准确之处还请大佬们批评指正。目录背景引入 因果推断简介 Rubin Causal Model (RCM) 及相关方法 Structural Equation Modeling (SEM) 及相关方法 因果关系的驳斥 因果推断与机器学习 学习材料推荐 后记1 背景引入因果推断通俗来讲就是“透过现象看本质”，尤其是当现象和本质恰恰相反的时候。

由于训练和测试所使用的硬件条件不同，在模型的保存和加载过程中可能因为单GPU和多GPU环境的不同带来模型不匹配等问题。这里对PyTorch框架下单卡/多卡下模型的保存和加载问题进行排列组合（=4），样例模型是torchvision中预训练模型resnet152，不尽之处欢迎大家补充。1 数据格式与存储内容1.1 模型存储格式PyTorch存储模型主要采用pkl，pt，pth三种格式。就使用层名来说没有区别，这里不做具体的讨论。第5部分中列出了笔者查阅到的一些资料，感兴趣的读者可以进一步研究.

之前听师兄在组会上介绍了scvi，恰巧最近在用scvi做一些分析，感觉这个方法很精巧效果也不错，因此研究了一下原始论文，这里简要介绍一下这个单细胞数据分析工具的新星。scvi是Nature Methods在2018年12月发表的一个单细胞RNA测序(scRNA-seq)数据的集成分析平台，预印版文章在2018年3月就已经在bioRxiv上线。scvi是一个快速的多功能方法，整合了来自机器学习、统计模型、概率图模型等领域的思想和模型，应用到了单细胞数据的多种下游分析上来，相比其他针对单一下游分析的方法来说

周志华老师团队Multi-Label Learning with Deep Forest (MLDF)报道很多，各大机器学习平台也都就这篇文章的亮点给出了分析。近日在准备组会报告时较为详细地拜读了一下，也由此简单了解了一下多标签学习的相关内容。正如论文作者所述，MLDF的最大优势在于： 限制模型复杂性以防止过拟合 可以根据用户需求进行优化 实验表明，在多个标准数据集（benchmark dataset）上，深度森林在六种多标签学习的评价方法中取得了最佳表现，同时也具有在多标签问题中研

在单细胞RNA测序数据（single-cell RNA sequencing，以下简称scRNA-seq）的分析中，对数据分布的模型假设是很重要的一步，合理的数据分布模型直接影响了后续的分析流程或者是方法开发。例如单细胞差异表达分析方法就是基于数据的分布，通过对分布参数的假设检验，进而判断两组数据是否存在差异。那么人们是如何一步步探索适合的scRNA-seq数据的分布的呢？现阶段的发展又是怎样的？有哪些新产生的问题？本文将就这这些问题加以梳理。这里的分布指的是某一基因转录出RNA的量在一组细胞中（gene

在医学影像分析中，纹理（texture）特征被广泛地应用于定量化描述病灶的特性。相比病灶影像的统计学特征和形状特征，纹理特征的计算往往较为复杂，不易于搞懂其背后的原理。然而，学习过程中建立对概念直观的认识（intuition）对理解问题的本质很有帮助，这也是本文的出发点。本文尝试解决如下问题： 医学影像特征包的官方文档给了纹理特征数学定义，但是理解起来不够直观 网络上有许多介绍纹理特征的帖子，但是每个帖子介绍的内容有限； 少有文章关注不同类型纹理特征之间的比较，不易于理解纹理特

在评测回归模型时，是一个常用的指标（其出现最早可追溯到初中时期...）。印象里的的取值为[0,1]，的值越接近1，说明回归模型对数据的拟合程度越好。问题源自一次使用sklearn做线性回归的实验，笔者使用了内置的计算的函数，惊奇地发现得到的居然是一个负数。一方面说明回归模型失败了[捂脸]，而另一方面也令人颇为不解——为什么可以为负呢？带着强烈的好奇心，笔者从sklearn的文档开始读起，弄明白了这是怎么回事。随手记录下来供大家参考。先说结论：确实有两种不同的定义，其中一种的定义域包含负值