机器学习
文章平均质量分 70
机器学习
The_best_man
努力学习的一只IT小白
展开
-
【论文笔记】InceptionGCN:Receptive Field Aware Graph Convolutional Network for Disease Prediction
InceptionGCNMethodologyAffinity graph construction构造Affinity Graph的关键是能够精准的建模病人之间的交互作用,Affinity Graph是将所有样本(训练集+测试集),下图为文中所涉及到的符号。符号含义符号含义G(V,E,W)G(V,E,W)G(V,E,W)图nin_ini图中的节点V=|N|节点η\etaη患者之间非成像数据EEE边xi∈RNx_i\in\mathbb{R}^Nx原创 2021-01-18 23:15:23 · 715 阅读 · 0 评论 -
【代码分析】Graph-U-Nets
Graph-U-Nets(二)代码分析Graph U-Nets通过Pytorch进行实现,开源代码Graph U-Nets,原论文链接Graph U-Nets直接对作者的代码进行解读class GraphUnet(nn.Module): def __init__(self, ks, in_dim, out_dim, dim, act, drop_p): """ :param ks: 表示pools层进行的节点采样率,数据类型为float型 """ sup原创 2021-01-12 19:58:36 · 1289 阅读 · 6 评论 -
【论文笔记】Graph U-Nets
Graph U-Nets原文链接:http://proceedings.mlr.press/v97/gao19a/gao19a.pdf由于Graph Data的表征学习问题,不能像CNN能够对图像进行Pooling或者Up-sampling操作。由于给定的Images 可以认为是一种节点位于2D表格上Graph的特殊情况,因此可以将node classification、Graph Embedding很自然地与像素级别的分割任务对应。Encoder-Decoder的典型模型U-Nets已经在图像处理原创 2021-01-09 22:13:59 · 1565 阅读 · 0 评论 -
特征选择
本篇文章我是按照自己的学习需求,不同的部分,我在之后会随着学习不断的完善,敬请谅解!特征选择分为三种:过滤式、包裹式以及嵌入式过滤式:先对数据集进行特征选择,然后训练分类器包裹式:直接把学习器的性能作为评价子集的标准嵌入式:过滤式包裹式RFE这是普通的递归消除特征算法,是基于顶层的特征选择算法,建立在基于模型的特征选择方法基础之上的。使用回归和SVM,在不同的子集上建立模型,然...原创 2019-11-28 22:11:33 · 1268 阅读 · 0 评论