![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Vis
mmcclv
这个作者很懒,什么都没留下…
展开
-
Visual Interpretation of Recurrent Neural Network on Multi-dimensional Time-series Forecast
文章链接0、摘要RNN的可解释性具有挑战:用户需要在不同时间步中分析哪些特性是重要的,以便更好地理解模型的行为并信任模型的预测结果。这就需要有效和扩展性好的可视化方法来揭示隐藏单元与特征之间复杂的多对多关系论文贡献:提出一个可视分析系统从全局和个体层面来解释用于多维时间序列预测的RNN模型提出一种评估隐藏单元响应的方法,通过度量不同特征选择如何影响隐藏单元的输出分布基于响应嵌入向量聚类隐藏单元和特征使用空气污染预测案例证明方法的有效性1、引言目的:帮助专家根据现有的领域知识了解模原创 2020-09-07 21:00:15 · 372 阅读 · 0 评论 -
Patterns and sequences Interactive Explorarion of Clickstreams to Understand Common Visitor Paths
Patterns and sequences Interactive Explorarion of Clickstreams to Understand Visitor Paths0、摘要Web点击流数据由长、高维的多变量事件组成,难以分析。在点击流中确定了4种粒度的分析:模式、片段、序列、事件提出一个3阶段的可视分析管道(pipeline):模式挖掘、模式剪枝、模式与序列的协同探索讨论了最大序列模式的性质,提出减少模式数量的方法,并描述了可视化提取到模式的设计方案1、引言分析点击流目的是理解原创 2020-08-31 14:03:21 · 315 阅读 · 0 评论 -
DropoutSeer
DropoutSeer: Visualizing learning patterns in Massive Open Online Courses for dropout reasoning and prediction辍学者:可视化大规模在线开放课程的学习模式,用于辍学推理和预测摘要用户难以理解辍学率预测结果,并且进一步制定合理的干预措施来预防辍学。本文提出一个可视分析系统DropoutSeer不仅可以帮助教师、教育专家理解辍学行为,而且可以识别提高模型性能的关键特征。3种异构数据(3种学习行原创 2020-08-26 19:12:29 · 295 阅读 · 0 评论