什么是元、元数据、元分类器？

最新推荐文章于 2022-10-27 10:28:17 发布
最新推荐文章于 2022-10-27 10:28:17 发布
阅读量2.9k 收藏 2
点赞数 3
分类专栏： Machine Learning 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tlzhatao/article/details/53344407
版权

元(meta)，一般被翻译成“关于……的……”

Meta-Classifier

关于分类器的分类器，通常是主分类器的代理，用于提供附加的数据预处理。（如Bagging，Stacking，Vote等）

A classifier, which is usually a proxy to the main classifier, used to provide additional data preprocessing.

Meta-Data

关于数据的数据，一般是结构化数据（如存储在数据库里的数据，规定了字段的长度、类型等）。

Dark-Rich
关注
  • 3
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
享元、解释器、职责链、装饰模式
01-10
22.1 场景问题 22.1.1 复杂的奖金计算 考虑这样一个实际应用：就是如何实现灵活的奖金计算。 奖金计算是相对复杂的功能，尤其是对于业务部门的奖金计算方式，是非常复杂的，除了业务功能复杂外，另外一个麻烦之处是计算方式还经常需要变动，因为业务部门经常通过调整奖金的计算方式来激励士气。 先从业务上看看现有的奖金计算方式的复杂性： 首先是奖金分类：对于个人，大致有个人当月业务奖金、个人累计奖金、个人业务增长奖金、及时回款奖金、限时成交加码奖金等等； 对于业务主管或者是业务经理，除了个人奖金外，还有：团队累计奖金、团队业务增长奖金、团队盈利奖金等等。 其次是计算奖金的金额，又有这么几个基数：销售额、销售毛利、实际回款、业务成本、奖金基数等等； 另外一个就是计算的公式，针对不同的人、不同的奖金类别、不同的计算奖金的金额，计算的公式是不同的，就算是同一个公式，里面计算的比例参数也有可能是不同的。 22.1.2 简化后的奖金计算体系 看了上面奖金计算的问题，所幸我们只是来学习设计模式，并不是真的要去实现整个奖金计算体系的业务，因此也没有必要把所有的计算业务都罗列在这里，为了后面演示的需要，简化一下，演示用的奖金计算体系如下： 每个人当月业务奖金 = 当月销售额 X 3% 每个人累计奖金 = 总的回款额 X 0.1% 团队奖金 = 团队总销售额 X 1% 22.1.3 不用模式的解决方案 一个人的奖金分成很多个部分，要实现奖金计算，主要就是要按照各个奖金计算的规则，把这个人可以获取的每部分奖金计算出来，然后计算一个总和，这就是这个人可以得到的奖金。 （1）为了演示，先准备点测试数据，在内存中模拟数据库，示例代码如下： /** * 在内存中模拟数据库，准备点测试数据，好计算奖金 */ public class TempDB { private TempDB(){ } /** * 记录每个人的月度销售额，只用了人员，月份没有用 */ public static Map<String,Double> mapMonthSaleMoney = new HashMap<String,Double>(); static{ //填充测试数据 mapMonthSaleMoney.put("张三",10000.0); mapMonthSaleMoney.put("李四",20000.0); mapMonthSaleMoney.put("王五",30000.0); } } （2）按照奖金计算的规则，实现奖金计算，示例代码如下： /** * 计算奖金的对象 */ public class Prize { /** * 计算某人在某段时间内的奖金，有些参数在演示中并不会使用， * 但是在实际业务实现上是会用的，为了表示这是个具体的业务方法， * 因此这些参数被保留了 * @param user 被计算奖金的人员 * @param begin 计算奖金的开始时间 * @param end 计算奖金的结束时间 * @return 某人在某段时间内的奖金 */ public double calcPrize(String user,Date begin,Date end){ double prize = 0.0; //计算当月业务奖金，所有人都会计算 prize = this.monthPrize(user, begin, end); //计算累计奖金 prize += this.sumPrize(user, begin, end); //需要判断该人员是普通人员还是业务经理，团队奖金只有业务经理才有 if(this.isManager(user)){ prize += this.groupPrize(user, begin, end); } return prize; } /** * 计算某人的当月业务奖金，参数重复，就不再注释了 */ private double monthPrize(String user, Date begin, Date end) { //计算当月业务奖金,按照人员去获取当月的业务额，然后再乘以3% double prize = TempDB.mapMonthSaleMoney.get(user) * 0.03; System.out.println(user+"当月业务奖金"+prize); return prize; } /** * 计算某人的累计奖金，参数重复，就不再注释了 */ public double sumPrize(String user, Date begin, Date end) { //计算累计奖金,其实应该按照人员去获取累计的业务额，然后再乘以0.1% //简单演示一下，假定大家的累计业务额都是1000000元 double prize = 1000000 * 0.001; System.out.println(user+"累计奖金"+prize); return prize; } /** * 判断人员是普通人员还是业务经理 * @param user 被判断的人员 * @return true表示是业务经理,false表示是普通人员 */ private boolean isManager(String user){ //应该从数据库中获取人员对应的职务 //为了演示，简单点判断，只有王五是经理 if("王五".equals(user)){ return true; } return false; } /** * 计算当月团队业务奖，参数重复，就不再注释了 */ public double groupPrize(String user, Date begin, Date end) { //计算当月团队业务奖金，先计算出团队总的业务额，然后再乘以1%， //假设都是一个团队的 double group = 0.0; for(double d : TempDB.mapMonthSaleMoney.values()){ group += d; } double prize = group * 0.01; System.out.println(user+"当月团队业务奖金"+prize); return prize; } } （3）写个客户端来测试一下，看看是否能正确地计算奖金，示例代码如下： public class Client { public static void main(String[] args) { //先创建计算奖金的对象 Prize p = new Prize(); //日期对象都没有用上，所以传null就可以了 double zs = p.calcPrize("张三",null,null); System.out.println("==========张三应得奖金："+zs); double ls = p.calcPrize("李四",null,null); System.out.println("==========李四应得奖金："+ls); double ww = p.calcPrize("王五",null,null); System.out.println("==========王经理应得奖金："+ww); } } 测试运行的结果如下： 张三当月业务奖金300.0 张三累计奖金1000.0 ==========张三应得奖金：1300.0 李四当月业务奖金600.0 李四累计奖金1000.0 ==========李四应得奖金：1600.0 王五当月业务奖金900.0 王五累计奖金1000.0 王五当月团队业务奖金600.0 ==========王经理应得奖金：2500.0
股票量化交易—股票量化软件：深度神经网络 (第六部分)。 神经网络分类器的融合: 引导聚合
最新发布
herzqthz的博客
07-05 84
本系列的前一篇文章讨论了 DNN 模型的超参数，并用若干示例对其进行了训练，且对其进行了测试。所得模型的品质非常高。我们还讨论了如何提高分类品质的可能性。其中之一是使用神经网络的融合。这个增幅的变体将在本文中讨论。
元器件应用中的浅谈编码器分类及其原理
10-16
生活中经常使用的电梯是如何精确的把人们送到指定楼层的?机床又是如何做到精确切割物料的?伺服电机又是如何保证旋转位置精度的?这一切都要归功于一种神器——编码器，可是编码器又是什么?他又是如何精确的测量电机位置的呢?今天就来聊一聊编码器。     一、什么是编码器     编码器是将信号或数据进行编制、转换为可用以通讯、传输和存储的信号形式的设备。编码器把角位移或直线位移转换成电信号，前者称为码盘，后者称为码尺。他是工业中常用的电机定位设备，可以精确的测试电机的角位移和旋转位置。     图 1 编码器     二、编码器分类     按照工作原理编码器可分为
JavSP:汇总多站点数据的AV元数据刮削器
04-18
Jav Scraper Package 汇总多站点数据的AV元数据刮削器 提取影片文件名中的番号信息，自动抓取并汇总多个站点数据的 AV 元数据，按照指定的规则分类整理影片文件，并创建供 Emby、Jellyfin、Kodi 等软件使用的元数据文件 功能特点 下面这些是一开始就决定要做的主要功能，在逐渐实现和完善，如果想到新的功能点也会加进来。 自动识别影片番号 支持处理影片分片 汇总多个站点的数据生成NFO数据文件 多线程并行抓取 下载高清封面 自动检查新版本 翻译标题和剧情简介 匹配本地字幕 使用小缩略图创建文件夹封面 保持不同站点间 genre 分类的统一 不同的运行模式（抓取数据+整理，仅抓取数据） 可选：所有站点均抓取失败时由人工介入 目前软件还处于比较初期的阶段，部分功能还没有完成。如果你愿意试一下，可以参照下面的说明。如果使用的时候遇到什么问题也欢迎给
MetaDataExtraction:从 PDF 科学文章中提取元数据
07-13
Metadata Extractor application 1.DESCRIPTION 所呈现的应用程序是从科学文章中自动提取标题元数据。 它使用经过训练的 CRF 分类器来标记 PDF 格式的科学文章的标题。 该应用程序可用于训练或测试 CRF 分类器，它还有一个 GUI，它提供了一个简单的界面，用于使用经过训练的分类器来标记文章标题。 该应用程序包含两个项目： PDFExtact MetadataExtraction 2.CONFIGURATION 可以通过设置MetadataExtraction/src/res/metadata_extraction.properties 配置文件中的值来配置应用程序。 3. 开始使用 CD 包含软件的编译版本。 只需双击位于 project/MetadataExtraction/dist/MetadataExtraction.jar 中的
集成学习初探
WEILING123的博客
03-27 609
1.引言 集成学习，顾名思义，是将多个不同的基分类器组合为一个元分类器，新组建的元分类器较之于基分类器具有更好的泛化性能和鲁棒性。虽然集成学习并不是全新的机器学习算法，只是对现有算法的优化策略，却能够有效的提高弱学习器（基分类器）的性能，在深度学习出现之前，集成学习在很多场合都能取得最佳的决策效果。最成功的的集成学习方法是已经可以认为是一种单独算法的随机森林（RF），其在很多竞赛中脱颖而出。 一般...
stacking的理解
haoshan4783的博客
03-31 335
转载地址： https://www.cnblogs.com/Christina-Notebook/p/10063146.html 其实本质上stacking就是用下一个模型去针对上一个模型预测的结果进行学习, 注意这里训练的输入是上一个模型的预测结果, 换句话说, 就是我下一个模型学习的目标是找到上一个模型预测结果和真实结果之间的模式, 通过学习这种模式可以优化最终的结果. 具体流程： 1、首先我...
训练二元分类器及三种评估方法
qq_42052864的博客
04-30 1415
分类器 MINIST 使用MNIST数据集，这是一组由美国高中生和人口调查局员工手写的70000个数字的图片 Scikit-Learn提供了许多助手功能来帮助你下载流行的数据集。MNIST也是其中之一。下面是获取MNIST数据集的代码 from sklearn.datasets import fetch_openml minst = fetch_openml('mnist_784',version=1) minst.keys() dict_keys(['data', 'target', 'frame',
百面机器学习总结笔记（第十二章 集成学习）
Avery123123的博客
05-29 287
百面机器学习总结笔记（第十二章 集成学习）百面机器学习总结笔记第十二章 集成学习集成学习的种类问题：集成学习分哪几种？他们有何异同？集成学习的步骤和例子问题：集成学习有哪些基本步骤？请举几个集成学习的例子基分类器问题：常用的基分类器是什么？问题：可否将随机森林中的基分类器，由决策树替换为线性分类器或者K-近邻？请解释为什么？方差与偏差什么是偏差和方差？问题：如何从减小方差和偏差的角度解释Boosting和Bagging的原理？梯度提升决策树的基本原理XGBoost与GBDT的联系与区别 百面机器学习总结笔记
机器学习基础：模型集成/集成学习
Abner98414的博客
04-30 4263
集成学习原名为，它是根据训练数据构造一组基分类器（base classifier），通过聚合每个基分类器的输出来进行分类。
元器件应用中的编码器基础知识
10-15
编码器（encoder）是将信号（如比特流）或数据进行编制、转换为可用以通讯、传输和存储的信号形式的设备。编码器把角位移或直线位移转换成电信号，前者称为码盘，后者称为码尺。按照读出方式编码器可以分为接触式和非接触式两种；按照工作原理编码器可分为增量式和绝对式两类。增量式编码器是将位移转换成周期性的电信号，再把这个电信号转变成计数脉冲，用脉冲的个数表示位移的大小。绝对式编码器的每一个位置对应一个确定的数字码，因此它的示值只与测量的起始和终止位置有关，而与测量的中间过程无关。 　　一、编码器的分类 　　根据检测原理，编码器可分为光学式、磁式、感应式和电容式，根据其刻
六、超参数调整, 批量正则化 和多元分类器
dragon Fly的博客
08-11 560
参数调整
7个步骤详解AdaBoost 算法原理和构建流程
deephub
08-08 3857
Boosting 方法在近年来的多项数据竞赛中都取得了优异的成绩，但其背后的概念却并不复杂。通过使用简单易懂的步骤构建简单并且可解释的模型，然后将简单模型的组合成强大的学习器。作者：Dominik Polzer。...
4.集成学习之3.Stacking
阿兵-AI医疗的专栏
09-19 1363
分层模型集成框架stacking（叠加算法） Stacking集成算法可以理解为一个两层的集成，第一层含有一个分类器，把预测的结果(元特征)提供给第二层， 而第二层的分类器通常是逻辑回归，他把一层分类器的结果当做特征做拟合输出预测结果。过程如下图: 标准的Stacking，也叫Blending如下图： 但是，标准的Stacking会导致信息泄露，所以推荐以下Satcking算法： 1. 简单堆叠3折CV分类： ## 1. 简单堆叠3折CV分类 from sklearn import datasets
Weka 使用元分类器
独自远行
04-30 702
import java.util.Random; import weka.attributeSelection.CfsSubsetEval; import weka.attributeSelection.GreedyStepwise; import weka.classifiers.Evaluation; import weka.classifiers.meta.AttributeSelecte
机器学习基础—集成学习Task13（Stacking）
lin0cp的博客
05-13 647
导语： 本次任务的主题是“Stacking集成学习算法”。 竞赛圈中，它(Stacking)可以帮你打败当前学术界性能最好的算法！ 学习链接： 集成学习: EnsembleLearning项目-github. 1.Stacking原理 Stacking严格来说并不是一种算法，而是精美而又复杂的，对模型集成的一种策略! 在上一任务中，我们知道Blending在集成的过程中只会用到验证集的数据，即数据划分方式为hold-out作为测试集，并非cv，这样自然可能带来模型的过拟合，为获得更加稳健的模型，自然联想到交
利用XGBoost特征选择和堆叠集成分类器提高蛋白质-蛋白质相互作用预测精度
wangpan007的博客
03-31 1306
文章目录论文基本情况一、论文创新点：二、方法(一)、特征提取方法(二）、XGBoost特征选择（三）、叠迭分类器：三、数据四、实验结果（一）参数的确定（m=9）（二）、基分类器确定，元分类器比较 论文基本情况 期刊：《Computers in Biology and Medicine》 影响因子及中科院分区：IF： 3.434，中科院三区 发表日期：2020年7月 作者单位：青岛科技大学 代码地址： https://github.com/QUST-AIBBDRC/StackPPI/ 原文链接：https:
【模式识别-北理工】09组合分类器
qq_36926037的博客
09-15 811
1 概述   组合分类器（集成学习）：多个弱分类器共同组成一个强分类器。   设计要求：   （1）每个基分类器（弱分类器）的分类正确率要大于50%   （2）每个基分类器的训练集和训练结果要有差异   （3）基分类器的数量不是越多越好   （4）方差和偏差是组合分类器重点考虑的两项指标   组合分类器的主要类型：   （1）Bagging方法： 通过准备独立且同分布的一组训练子集来并行训练多个基分类器，再进行分类器组合。   由于各个样本子集是相互独立且同分布，因此可以并行对各个弱分类器进行训练；算法基
掌握元数据知识看这一篇就够了：从元数据概念、分类、作用、管理及目标、挑战到规划及体系设计等
ylguoguo6666的博客
10-27 4701
元模型管理即基于元数据平台构建符合CWM规范的元数据仓库，实现元模型统一、集中化管理，提供元模型的查询、增加、修改、删除、元数据关系管理、权限设置等功能，支持概念模型、逻辑模型、物理模型的采集和管理，让用户直观地了解已有元模型的分类、统计、使用情况、变更追溯，以及每个元模型的生命周期管理。元数据维护就是对信息对象的基本信息、属性、被依赖关系、依赖关系、组合关系等元数据的新增、修改、删除、查询、发布等操作，支持根据元数据字典创建数据目录，打印目录结构，根据目录发现、查找元数据，查看元数据的内容。
元分类器和基分类器是什么
05-16
元分类器和基分类器是集成学习中的两个重要概念。 基分类器是指一个单独的分类器，它能够对输入的数据进行分类。基分类器可以是任何分类算法，如决策树、支持向量机、朴素贝叶斯等。 元分类器是指一个由多个基分类器组合而成的分类器，它能够对输入的数据进行分类并给出最终的分类结果。元分类器的构建方式有很多种，如Bagging、Boosting、Stacking等。 Bagging是一种基于并行化思想的集成学习方法，它通过从原始数据中有放回地抽样生成多个训练集，然后利用每个训练集训练一个基分类器，再通过投票等方式获得最终的分类结果。 Boosting是一种基于串行化思想的集成学习方法，它通过逐步调整训练数据的权重，训练多个基分类器，并将它们组合成一个元分类器。Boosting方法中的每个基分类器都是针对前面基分类器分类错误的样本进行训练的。 Stacking是一种基于模型融合思想的集成学习方法，它通过将多个基分类器的输出作为新的输入特征，再训练一个元分类器。Stacking方法中的元分类器可以是任何分类算法，如决策树、神经网络等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值