认真积累每一天

摘要： 原创文章～转载请注明出处哦。其他部分内容参见以下链接～ GraphSAGE 代码解析(一) - unsupervised_train.py GraphSAGE 代码解析(三) - aggregators.py GraphSAGE 代码解析(四) - models.py 这里_LAYER_UIDS = 阅读全文

摘要： 安装Docker与程序运行 1. requirements.txt Problem: Solution: futures==3.2.0 => futures==3.1.1 2. Install Docker CE for Ubuntu https://docs.docker.com/install/ 阅读全文

摘要： 原创文章～转载请注明出处哦。其他部分内容参见以下链接～ GraphSAGE 代码解析(二) - layers.py GraphSAGE 代码解析(三) - aggregators.py GraphSAGE 代码解析(四) - models.py GraphSAGE代码详解 example_data: 阅读全文

摘要： 整理摘自：https://www.jianshu.com/p/c33b5d1b4cd9 同构是在数学对象之间定义的一类映射，它能揭示出在这些对象的属性或者操作之间存在的关系。若这两个数学结构之间存在同构映射，那么这两个结构叫做是同构的。一般来说，如果忽略掉同构的对象的属性或操作的具体定义，单从结构上 阅读全文

摘要： 整理摘自：https://blog.csdn.net/tsyccnh/article/details/79163834 信息论 Outline 1. 信息量与信息熵 2. 相对熵（KL散度） 3. 交叉熵 1. 信息量与信息熵 https://baike.baidu.com/item/%E4%BF% 阅读全文

摘要： 将测试样本进行排序，“最可能”是正例的排在最前面，“最不可能”是正例的排在最后面。 分类过程就相当于在这个排序中以某个“截断点”（见图中阈值）将样本分为两部分，前一部分判作正例，后一部分判作反例。 我们根据学习器的预测结果对样例进行排序，按此顺序把逐个样本作为正例进行预测，每次计算出FPR， TPR 阅读全文

摘要： 整理摘自 https://datascience.stackexchange.com/questions/15989/micro-average-vs-macro-average-performance-in-a-multiclass-classification-settin/16001 Micr 阅读全文

摘要： 摘自 https://www.cnblogs.com/xiaobajiu/p/7867162.html 调和平均数的代数形式（通俗）: 应用场景：样本自变量（身高）和因变量（胖瘦）的乘积相等的情况下，改变每个样本的因变量（胖瘦），而不改变因变量的总和（井宽），所得自变量为调和平均数。 上图也可以看成 阅读全文

摘要： 摘自 https://blog.csdn.net/beiyangdashu/article/details/49300479 和 https://en.wikipedia.org/wiki/Laplacian_matrix 定义 给定一个由n个顶点的简单图G，它的拉普拉斯矩阵定义为： L = D - 阅读全文

摘要： 整理摘自 https://blog.csdn.net/icefire_tyh/article/details/52065626 若不考虑冗余： 属性1 属性2 属性3 2 3 3 假设空间中有 3 * 4 * 4 + 1 = 49种假设。 在不考虑沉余的情况下，最多包含k个合取式来表达假设空间，显然 阅读全文