1樓：網友
如果發現模型不穩定了，是什麼原因導致模型的效能不穩定？
模型是一把尺，尺不會變長，也不會變短，那麼導致衡量不準的原因只可能是客戶變化的原因，具體講就是好壞客戶分佈變化的原因。
我們以好壞樣本評分分佈圖為例說明：
上圖表示好壞客戶在評分模型上的分佈，可以看到好客戶主要分佈在高分割槽間，而壞客戶主要分佈在低分割槽間，兩個分佈交叉的地方表示模型無法有效區分的區域。
最好的模型是使得兩類分佈沒有交叉，最壞顫培的模型則是兩類分佈完全重合。中間垂直的虛線表示評分的閾值，高於閾值的為好客戶，低於閾值的為壞客戶。
因此，影響模型區分度的因素可以分為兩個：
第乙個是模型的排序能力，也就是模型是否能夠將兩類客戶的分佈儘可能的分開，使得交叉的部分足夠小；
第二個是評分的閾值，也就是如何將兩類樣本分佈的交叉區域進行劃分。
假如客戶群體發生了變化，那麼變化的型別可以分為四類：
1. 壞客戶的評分朝著高分段偏移而好客戶的評分朝著低分段偏移（見上圖a）
反映到實際的情況是全部客戶的評分均值變小，且好客戶和壞客戶的評分均值之差也變小。
分析：這種變化是導致模型**能力下降最常見和最主要的原因。因為壞客戶和好客戶分佈的交叉區域變大，意味著模型的排序能力降低，從而導致模型的區分度下降。
發生這類變化的原因有可能是巨集觀經濟惡化導致客戶整體的還款能力下降，或者公司業務轉型導致目標客戶發生變化，或者公司業務團隊在某段時間內集中某一類的客戶過度營銷，或者資料質量不穩定的原因。
2. 壞客戶的評分朝著低分段偏移而好客戶的評分朝著高分段偏移（見上圖b）
反映到實際的情況是全部客戶的評分均值變大，且好客戶和壞客戶的評分均值之差也變大。
分析：第二種變化的結果是改善型的，模型的區分度不僅沒有下降，反而比以前更高了，實踐中幾乎不可能發生。
3. 壞客戶和好客戶的評分一起朝著高分段偏移。
反映到實際的情況就是全部客戶的評分均值變大，但好迅旅客戶和壞客戶的平分均值之差不變。
分析：這種變化相當於評分閾值的被動下調，從而導致提高了違約畝洞凳率，提公升了通過率，但是模型的排序能力變化不大。
4. 壞客戶和好客戶的評分同時朝著低分段偏移。
反映到實際的情況就是全部客戶的評分均值變小，但好客戶和壞客戶的平均均值之差不變。
分析：這種變化相當於評分閾值的上調，從而降低了通過率和違約率，但是模型的排序能力變化不大。
2樓：大猛伍
不穩定，從現象看，是絕悉不同數並老乎據造成的含差，那就是資料分佈的問題。做模型做到底還是做資料，存在這樣的演算法。
粒子群編寫出來的演算法為什麼不穩定？我用粒子群演算法編寫用於投影尋蹤模型的程式。
3樓：網友
首先粒子群優化演算法求解速度快，演算法簡單，效率高；但是存在著容易陷入區域性最優的情況，這就導致效果有時不優。因此常有些針對問題針對粒子群的優化演算法。
但是也要明白，隨機優化演算法本身是按照最大概率求解，因此無法保證都能夠得到好的結果以及長期穩定。
模型**控制的方法
4樓：小凱兒
模型**控制是一種基於模型的閉環優化控制策略，其演算法的核心是：可**未來的動態模型，**反覆優化計算並滾動實施的控制作用和模型誤差的反饋校正。模型**控制具有控制效果好、魯棒性強等優點，可有效地克服過程的不確定性、非線性和並聯性，並能方便的處理過程被控變數和操縱變數中的各種約束。
從模型**控制的基本原理出發，常見的有三種**控制演算法：
1)基於非引數模型的模型**控制。
代表性演算法有模型演算法(mac)和動態矩陣控制(dmc)。這類演算法分別採用脈衝響應模型和有限階躍響應模型作為過程**模型，無需考慮模型結構和階次，可將過程時滯自然納入模型中，尤其適合表示動態響應不規則的物件特性，適合處理開環穩定多變數過程約束問題的控制。
2)基於arma或carima等輸入輸出引數化模型的**控制演算法。
這類演算法有經典自適應控制發展而來，融合了自校正控制和**控制的優點。其反饋校正通過模型的**辨識和控制率的**修正以自校正的方式實現，其中最具代表性的是廣義**演算法，它可應用於時變時滯較難控制的物件，並對系統的時滯和階次不確定有良好的魯棒性，但對於多變數系統，演算法實施較困難。
3)滾動時域控制。由lq和lqg演算法發展而來。
對於狀態空間模型，用有限時域二次效能指標再加終端約束的滾動時域控制演算法來保證系統穩定性。它已拓展到跟蹤控制和輸出反饋控制。各類模型**控制演算法雖然在模型、控制和效能上存在許多差異，但其核心都是基於滾動時域原理，演算法中包含了**模型、滾動優化和反饋校正三個基本原理。
arima模型python 怎麼看平穩性
5樓：網友
時間序列分析(一) 如何判斷序列是否平穩。
序列平穩不平穩，一般採用兩種方法：
第一種：看圖法。
圖是指時序圖，例如(eviews畫滴)：
分析：什麼樣的圖不平穩，先說下什麼是平穩，平穩就是圍繞著乙個常數上下波動。
看看上面這個圖，很明顯的增長趨勢，不平穩。
平穩的序列的自相關圖和偏相關圖不是拖尾就是截尾。截尾就是在某階之後，係數都為 0 ，怎麼理解呢，看上面偏相關的圖，當階數為 1 的時候，係數值還是很大， 二階長的時候突然就變成了 後面的值都很小，認為是趨於 0 ，這種狀況就是截尾。再就是拖尾，拖尾就是有乙個衰減的趨勢，但是不都為 0 。
自相關圖既不是拖尾也不是截尾。以上的圖的自相關是乙個三角對稱的形式，這種趨勢是單調趨勢的典型圖形。
下面是通過自相關的其他功能。
如果自相關是拖尾，偏相關截尾，則用 ar 演算法。
如果自相關截尾，偏相關拖尾，則用 ma 演算法。
如果自相關和偏相關都是拖尾，則用 arma 演算法， arima 是 arma 演算法的擴充套件版，用法類似 。
不平穩，怎麼辦？
答案是差分。
還是上面那個序列，兩種方法都證明他是不靠譜的，不平穩的。確定不平穩後，依次進行1階、2階、3階。差分，直到平穩位置。先來個一階差分，上圖。
從圖上看，一階差分的效果不錯，看著是平穩的。
關於機器學習應用不得不思考哪些問題？
6樓：中關村**
作為「宇宙最強的」科技企業，谷歌一向都是走在業界的尖端。在地圖方面，自然也是如此！最近，谷歌又將看家的地圖街景進行了公升級優化。
據悉，谷歌應用神經網路，利用地圖街景的龐大影像資料庫進行更多新的應用，甚至用來改善谷歌地圖的商業資訊精確度！zol汽車用品。
**來自venturebeat
果然，未來將是演算法的時代啊！隨著機器學習與人工智慧技術的進一步成熟，谷歌的演演算法已經能通過同個目標如招牌等，在不同趟次的街景車掃瞄時的多**片進行交叉判讀。也就是說，那些拍攝不清楚的地方，可以利用演算法判讀出正確資訊。
厲害了，我的歌！）
據官方實測，該的技術已經可以從法國的街景中達到超過84%的準確率；而單就街牌號碼的判讀工作上，也已經改善了全球1/3的地圖資訊了。接下來這項技術將被用來更新地圖上的商家資訊，而不用人工或者資料庫來手動增加了。（為大神獻上膝蓋~~）
"資料，模型，演算法"這三個要素在機器學習中哪個最為重要
7樓：cda資料分析師
模型、資料、演算法可以總結為機器學習方法的提綱挈領，因為側重點不一樣，所以不能比較哪個更重要。
模型：模型的確定主要明確自定義的**函式長什麼樣子，存在兩種形式p（y|x）和y=f（x），而由於在這兩個公式中必不可少的存在未畢衫知引數ceta，而且一定不止乙個，因此手脊腔在ceta不確定的情況下，公式均表現為各類的集合。由此，我們求解出公式中的未知引數確定下來最後的公式，並用該公式進行**。
資料：在明確模型的樣式後，我們就需要利用已知的資料對未知引數探索，無論是訓練資料還是測試資料，最終都希望通過公式能**到和真實情況一樣的結果，事實上肯定是可能一模一樣的，也就會一定存在誤差，我們可稱為損失，那麼就引入損失函式，利用損失最小來求未知引數。
演算法：對於求解最小值，未知引數求一階導數並令導數試等於0。機器學習中常用的演算法有以下兩種：
最小二乘法：針對線性模型；梯度下降、上公升法（批梯度、增量野笑梯度）：針對任意模！
想要了解更多有關資料、模型、演算法的問題，建議瞭解一下cda資料分析師的課程。課程內容兼顧培養解決資料探勘流程問題的橫向能力以及解決資料探勘演算法問題的縱向能力。通過數位化工作方法來探查業務問題。
點選預約免費試聽課。
8樓：長春北方化工灌裝裝置股份****
如果從學習的角度看，演算法最重要，至少找工作時演算法是必考的首陸；
從解決實際問題碰粗的角度看，懂得如何建模和求解模型是比較重要的；
但是笑芹鎮如果從掙錢的角度看，誰如果手裡有別人沒有的資料，那才厲害。
cpu使用率不穩定，fps不穩定
1 首先我們來考慮硬體裝置問題，你比如顯示卡，cpu，記憶體，這3大問題。你fps不穩定，涉及垂直同步，那麼我們暫時不管cpu和記憶體，就看顯示卡。你可以看看是不是你顯示卡灰塵太多，機箱散熱不行，各個硬體溫度有點高？2 你可以看看，是不是顯示卡驅動沒有升級到最新的公版驅動 whql 以上問題都解決的...
情緒不穩定易怒生氣,情緒不穩定，煩躁，易怒，生氣時控制不住情緒。該吃什麼藥
可能是植物神經抄功能紊亂，襲主要是勞心過度導致心脾兩虛而神經衰弱。你的情緒處在奔潰邊緣，生活節奏完全紊亂，沒有規律，外在情緒的躁動消耗你身體的能量，使你的身體機能運轉緩慢。重慶和睦醫院指導意見 你要整理自己的心情，走出陰影 具體怎麼樣處理，要看你是因為什麼事情心情不好，這裡不好籠統的說 用一顆正常的...
網路不穩定怎麼解決，網路不穩定怎麼辦？
據統計80 以上的網路安全威脅來之內網攻擊，目前內網內arp攻擊 骷髏頭 ddos 超大ping包 一系列內網攻擊都能導致內網掉線，甚至像arp這樣的攻擊又不好查出來，防毒軟體也沒辦法解決，又沒法 這也是重灌系統過後，無法解決內網掉線的主要原因。這些內網攻擊都出自下面的網絡卡，咱們只要在網絡卡上實施...