predict

    0熱度

    1回答

    我想在因子水平上擬合模型,並使用那些擬合的模型名稱來預測這些匹配因子水平的新數據。我在這個邏輯中預測失敗,有人可以在下面的情況下引導這一點嗎? Aa <- data.frame(amount=c(1,2,1,2,1,1,2,2,1,1,1,2,2,2,1), cat1=sample(letters[21:24], 15,rep=TRUE),cat2=sample(letters[11:18], 5

    0熱度

    1回答

    我有一些訓練數據,包括從圖像和不同的類標籤中提取的許多特徵。我設法使用C++中的OpenCV3來訓練Normal Bayes分類器。我能夠將新的測試數據傳入分類器,以使用predict()函數獲取預測的類標籤。 但是,我不想簡單地得到預測的類標籤,我也希望使用類NormalBayesClassifier的predictProb()函數知道每個測試數據的每個類標籤的概率。 有這似乎是能夠回到每類標籤

    1熱度

    1回答

    假設我有兩個數據幀df1和df2。在df1中,我有幾個列,如userid,sexid,位置等。在df2中,除了sexid,我需要使用一些預測算法來填充所有與df1相同的列。 我只是一個初學者,我嘗試了另一種問題。因此,歡迎任何可能幫助我破解它的建議或有用的參考資料。

    0熱度

    1回答

    我試圖從kaggle解決泰坦尼克號數據集。 我已經做了在列車上的數據幾乎所有的工作組 火車(12個變量的891個OBS) 測試(418個OBS 11個變量的) 我用決策樹(rpart包法) 混淆矩陣(pred_train ,火車$活了下來) 混淆矩陣和統計 Reference Prediction 0 1 0 549 0 1 0 342

    1熱度

    1回答

    當which選項設置爲which = 'all'時,我不完全清楚merTools::predictInterval函數對每個組件的精確預測。例如, library(lme4) library(merTools) fm1 <- lmer(Reaction ~ Days + (1 | Subject), sleepstudy) pred <- predictInterval(fm1, which

    0熱度

    1回答

    我有一個keras LSTM模型: model = Sequential() model.add(Embedding(max_features, 128, input_length=maxlen)) model.add(LSTM(128, implenetation=0)) model.add(Dropout(0.5)) model.add(Dense(n_classes)) model

    0熱度

    1回答

    我想弄清楚dismo的預測函數如何以'x'作爲數據框而不是柵格圖層構建模型。我已經成功運行了使用柵格圖層的模型並基於此創建了預測圖。 我的模型構建如下; library(dismo) model <- maxent(x = sightings.data, p = presence.vector) with sightings.data是一個數據幀,包含GPS位置的目擊,其次是在這些時間和地點

    0熱度

    1回答

    我正在R中使用預測模型,並且我使用mgcv軟件包編號爲 。當前的預測模型使用GAM運行。但是,使用R的 需要很多天,我想優化命令。 我正在研究與Hadoop和Spark R的並行性。我在Spark R上找到預測命令,但我不認爲它有GAM。你能告訴我是否有任何方法可以運行我們在R中使用的預測,並行性和使用GAM? 換句話說,我可以使用具有(例如)4個節點的羣集運行下面的R代碼嗎? PS:存在使用天青

    2熱度

    1回答

    我正在做一個smooth.spline()擬合,然後進行適合的預測。我有問題,我的新數據有一些NAs。現在我正在嘗試爲預測也獲得新手。但我沒有得到它的工作。 我已經編寫了一些可重現的代碼來說明我的問題。 我想要我的新數據和我的預測長度相同。例如,當使用predict和loess模型時,我沒有這個問題。如果x爲NA,它會自動將NA置於y。我看到這個問題的其他模型的預測(lm, glm,..但通過設置

    0熱度

    1回答

    當只有一個輸入,我可以用LSTM完成預測創建多個輸入上keras預測模型。當出現以下兩種情況下,我會迷茫,不知道如何建立一個神經網絡: 數據格式圖片所示 第一種情況: 使用A,B,C, d預測d(T + 1) 第二種情況: d = F(A,b,C)f是一個未知的非線性函數,使用A,b,C,d,預測d(T + 1)