问题标签 [machine-learning-model]

我已经使用 spark ml 和 java 构建了一个多类分类模型。我需要有关如何在本地部署保存的分类模型以使用和分类新数据集的建议。谢谢！

我已经将模型保存为my_model.h5. 我的7课程是

现在我必须训练一个只有一个类的模型(suppose 'drums beating')。所以我将用旧权重初始化新训练模型的权重。因此，当我需要对标签进行编码（例如drums beating）时，如何对其进行编码，使其具有([0,0,0,1,0,0,0])我之前训练时的虚拟值。

为了清楚起见，鼓声的早期虚拟值是[0,0,0,1,0,0,0]。但是当我按如下方式加载编码器时

并应用encode.transform，它[0]只是因为新训练模型中只有一个类。我该怎么做才能得到以前的假人本身([0,0,0,1,0,0,0]]

如果我过分强调或过分强调某事，请在评论中告诉我。

我在谷歌上搜索了几个小时，但没有看到任何要转换的代码/包。
对此的任何指导将不胜感激。

我无法决定如何在“困境情况”上平衡我的数据集，因为它不能以“工厂中烂苹果的百分比”来衡量。

目前，我选择只使用“50%-50%”的遇险语音片段和随机的非遇险片段。

我会很高兴收到来自社区的一些建议，在这种情况下最好的做法是什么？我选择了 50-50 方法来避免统计偏差，并且我使用的是顺序 (Keras) 模型。

I have many models, like:

I need to put these models inside power bi, for to run the predict function of R in power bi, But power bi doesn't accept list.

I was unsuccessful with the solution: https://towardsdatascience.com/how-to-predict-values-from-a-custom-r-model-in-power-bi-3364f83b0015

我有一个关于时间序列数据的问题。我的训练数据集的维度为 (3183, 1, 6)

我的模型：

我在第二个 LSTM 层收到以下错误：

ValueError: Input 0 is in compatible with layer lstm_2: expected ndim=3, found ndim=2 但是没有 ndim 参数。

我是一个初学者，对 CNN 和 RNN 知之甚少。例如：RNN 更适用于时间序列，而 CNN 更适用于空间特征，知道这一点可能会让我在 RNN 和 CNN 之间轻松选择。但是，如果让我为特定应用在 ResNet、InceptionNet 等之间做出选择，我如何才能知道哪个会更好？

我刚刚完成了使用 PYTHON 的机器学习（监督和无监督学习）和数据科学课程。我也知道网络抓取和模块，如熊猫、numpy。任何人都可以推荐一些与这些主题相关的好项目。尤其是神经网络。如果这些项目能帮助我加强我的求职简历，我将不胜感激。

我在 Google Colab 上使用 CUML 0.10.0 库中的随机森林回归模型，但无法获得模型预测。模型训练成功结束后，我使用 (.predict) 方法对一个非常大的数组 (41697600, 11) 进行推理。但是，我收到以下错误：

即使在将输入 numpy 数组的 dtype 转换为 float32 并在 predict 方法中指定 predict_model='CPU' 参数后，该错误仍然存​​在。

这是供您参考的使用代码：

型号总结：

我正在使用 Ocatvian AI Graph ML 工具集设置一个 Graph Machine Learning 应用程序。在这种特殊情况下，我正在尝试设置最短路径库。它因 Tesnforflow 后端错误而失败。

请在下面找到详细的错误日志：

文件“/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/runpy.py”，第193行，在_run_module_as_main“main”，mod_spec）文件“/Library/Frameworks/Python.framework/Versions/ 3.6/lib/python3.6/runpy.py”，第 85 行，在 _run_code exec(code, run_globals) 文件“/Users/gokulalex/Apps/graphml_apps/shortest-path/macgraph/predict.py”，第 12 行，在从 .estimator 导入 get_estimator 文件“/Users/gokulalex/Apps/graphml_apps/shortest-path/macgraph/estimator.py”，第 4 行，从 .model 导入 model_fn 文件“/Users/gokulalex/Apps/graphml_apps/shortest-path /macgraph/model.py”，第 6 行，从 .cell 导入 execute_reasoning 文件“/Users/gokulalex/Apps/graphml_apps/shortest-path/macgraph/cell/init.py”，第 2 行，从 .decode 导入 execute_reasoning文件 ”/Users/gokulalex/Apps/graphml_apps/shortest-path/macgraph/cell/decode.py”，第 4 行，从 .mac_cell 导入 * 文件“/Users/gokulalex/Apps/graphml_apps/shortest-path/macgraph/cell/ mac_cell.py”，第 14 行，在 MAC_RNNCell(tf.nn.rnn_cell.RNNCell) 类中：