- 博客(13)
- 收藏
- 关注
RSS订阅原创 文献阅读3——DeepAR时间序列概率分布预测及python代码实现（多变量多步多重）
这时就会有一个问题，不同商品之间的销售量可能差别太大，如原文中的图1所示，横轴x为销售量，纵轴为销售量为x的商品数量，可以看到差别很大，你要是不做任何处理直接预测显然效果不好，作者提出了采用缩放因子对数据进行处理，即通过将自回归输入除以项目相关的尺度因子来解决这个问题，反过来，将尺度相关的似然参数乘以相同的因子。因为每个商品之间的需求肯定有内在的联系，对于成千上万种商品我们不可能针对每一个商品单独训练一个时间序列预测模型，那样成本太大了，所以就有了多重预测，我们针对多个商品训练一个预测模型。
2024-06-04 13:01:38
536
2
原创 线性规划的基本知识和求解方法
在标准形式的线性规划模型中，目标函数为求极大值，约束条件全为等式，约束条件右端常数项全非负，决策变量取值为非负。人工变量法大M法：当不存在单位矩阵时不方便确定基可行解，于是添加人工变量。单纯形法：先找一个初始基可行解判断是否最优，若否，转换到另一个基可行解并使目标函数值更优，直到最优（本质是一个迭代寻优的过程）。对单纯形法中检验数的理解：基变量对目标函数的贡献，大于零说明还有贡献，小于零没贡献了，所以最优（目标函数为极大）。基解：令非基变量=0，根据基求得的解x=(x1,...,xm,0,...,0)T。
2024-05-13 17:35:59
223
原创 不用训练（反向传播）的神经网络？一文带你认识神经网络的前世今生（1943-2024）
让我们从最开始的M-P模型开始来回溯神经网络的发展历程，回溯是为了体会思想的发展历程以期望从中找到规律。
2024-05-13 16:49:47
843
原创 文献阅读2——一种端到端深度学习模型，用于解决数据驱动的报童问题，结合文本数据
上一篇阅读的文献是一篇来自EJOR的带有不可观测特征的一阶段模型，这一次是一篇来自IJPE的带有文本评论数据的一阶段模型，可见换汤不换药，只要抓住一个核心的点（比如一阶段模型），融合一点新的东西（不可观测特征、文本数据）就可以发一篇同等级别的文章，这两个期刊对于大多数博士、硕士来说也算是很不错的期刊了吧，所以，be confident！所以这个文献阅读的合集也大都会是相关的文献阅读。下面是其他特征模块，用了一个简单的MLP，输出订单量和预测的需求量 ，再将两个模块的输出连接起来作为最终结果。
2024-04-29 17:46:29
240
原创 信息熵、交叉熵、相对熵KL散度、最大均值差异MMD
公式花里胡哨，什么意思呢？就是客观的信息量的期望，信息量就是事情发生概率P(x)的倒数即1/P(x)，因为事情发生概率越大，信息量就越小，就好比人们都知道的事情新闻去报道它的可能性就变低了，因为它包含的信息量太少了。就是主观的信息量的期望，主观的信息量就是你认为这个事情的发生概率Q(x)，跟事情客观发生概率P(x)是不一样的，如果你认为的和客观的一样，那交叉熵就等于信息熵。核函数就是一个复杂的函数，可以表征高维空间的分布，那我便不需要知道具体的高维空间是如何分布的，只需要对比两个分布对应的核函数的值即可。
2024-04-17 15:08:12
387
原创 文献阅读1——一种使用深度学习的集成数据驱动方法，用于解决具有不可观测特征的报童问题
在学习笔记8中介绍了机器学习结合运筹学的一阶段模型，该模型考虑了特征信息对最优决策的影响，所有的特征都是可观测到的。看不到的箱子的序列就叫状态序列【箱子x，箱子x，箱子x】，对应不可观测特征的序列，先不管他是啥，我只需要知道有这么一个玩意会影响需求，把它当成一列新的特征即可。五、DNN，等同于学习笔记8中一阶段模型没有加不可观测特征，用的非线性预测模型深度神经网络，能够更好的拟合非线性关系。我手里能看到的球就叫观测序列【红，红，红】，对应需求数据序列，即我们可以观测到的报纸的需求数据序列；
2024-03-30 23:22:08
305
1
原创 决策、优化和规划的区别，较详细的思维导图理清这一切！
决策不同于优化和规划，决策是针对评价模型而言的，说决策其实就是多属性决策（Multiple-criteria decision making, MCDM），一回事，要是只有一条多属性数据或多条单属性，太简单了，有啥好评价的？首先，来思考这样一个问题：决策、优化、和规划之间有什么区别？而优化和规划其实是一回事，两个概念可以互换。下面是一张优化的思维导图，来认识优化大家族！以上思维导图列举不完全，仅供参考。
2024-03-20 11:25:01
409
1
原创 机器学习结合运筹学，有钱途～
两个模型的区别就在于两阶段模型预测模型采用的误差函数是预测误差（例如MAE，MSE），预测和优化是分开的，先预测，后优化，这属于机器学习和运筹学的简单结合；而一阶段模型采用的是决策误差（就是求出来的解对应的目标函数值和最优解对应的目标函数值之间的误差），这里预测和优化是结合在一起的，就属于机器学习和运筹学的深度结合。很显然，预测好不一定决策好，一阶段模型的结果往往会更精确一点。在这篇文章中我们介绍了标准的报童模型，在标准模型中需求分布是已知的，然而在现实世界中，需求往往是不确定的，不容易得知需求的分布。
2024-03-20 11:05:44
986
原创 统计回归、机器学习、集成学习以及深度学习共26种方法python代码实现
将DT模型中的DecisionTreeRegressor替换为CascadeForestRegressor即可，记得先pip install deepforest。将DT模型中的DecisionTreeRegressor替换为CatBoostRegressor即可，记得先pip install catboost。将DT模型中的DecisionTreeRegressor替换为LGBMRegressor即可，记得先pip install lightgbm。将RNN中SimpleRNN改为LSTM即可。
2023-07-24 17:27:10
753
原创 python - 类型错误 : ‘numpy.float64‘ object is not iterable
python - 类型错误 : 'numpy.float64' object is not iterable有时候发现把numpy数组转化成list，还是把数据int()都不能解决此问题，看一下你是不是用了extend（），如果换append就又好了，如果你实在想用extend（），就创建一个0元素列表 ls=【0】*100，然后在for循环里去替换ls中的元素就OK了！
2023-03-14 21:20:21
1538
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人