Python高层解雇和客户活跃度量化不确定性模型

2024-05-30 05:36

本文主要是介绍Python高层解雇和客户活跃度量化不确定性模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

🎯要点

🎯量化不确定性模型:🖊模型检测短信编写者行为变化 | 🖊确定(商业领域中)竞争性替代方案 | 🖊确定作弊供词真实比例 | 🖊学生考试作弊 | 🖊确定零部件损坏导致的灾难事故原因 | 🖊马尔可夫链蒙特卡罗算法先验-后验范式可视化 | 🖊聚类寻找信息隐藏源头 | 🖊模型确定和纠正虚假商品星评 | 🖊客户商品价格优化呈现 | 🖊星系位置和椭圆率模拟 | 🖊最大化赌场奖金策略 | 🖊证券分析。

🎯动态分析和常微分方程推理流感传播 | 🎯高层领导被解雇模型预测 | 🎯客户活跃度模型预测 | 🎯热饮冷却非线性模型动态分析 | 🎯多级回归和后分层预测公众人物角逐 | 🎯模型分析专业人士对比机器学习工具的优劣​ | 🎯销售领域利润率建模 | 🎯模型分析定位无线网络用户位置。

🍇Python贝叶斯推理

贝叶斯推理是一种找出变量分布的方法(例如高度 h h h 的分布)。贝叶斯推理的有趣特征是,统计学家(或数据科学家)可以利用他们的先验知识作为改进我们对分布情况的猜测的手段。贝叶斯推理依赖于贝叶斯统计的主要公式:贝叶斯定理。贝叶斯定理接受我们对分布的假设,即新的数据,并输出更新后的分布。对于数据科学,贝叶斯定理通常表示如下:
P ( θ ∣ Data  ) = P ( Data  ∣ θ ) ∗ P ( θ ) P ( Data  ) P(\theta \mid \text { Data })=\frac{P(\text { Data } \mid \theta) * P(\theta)}{P(\text { Data })} P(θ Data )=P( Data )P( Data θ)P(θ)

  • P ( θ ∣ D a t a ) P(\theta \mid D a t a) P(θData) 后验
  • P ( P( P( Data ∣ θ ) \mid \theta) θ) 似然
  • P ( θ ) P(\theta) P(θ) 先验
  • P ( P( P( Data ) ) ) 事实

我们可以从贝叶斯定理中看出,先验是一个概率:P(θ)。首先,让我们深入研究一下“θ”的含义。θ 通常表示为我们对最能描述我们试图研究的变量的模型的假设。让我们回到身高的例子。根据背景知识和常识,我们推断出身高在一个班级中呈正态分布。正式来说:
h ∼ N ( μ , σ ) h \sim N (\mu, \sigma) hN(μ,σ)
其中 N N N表示正态分布, μ \mu μ表示平均值, σ \sigma σ表示标准差。

现在,我们的先验并不完全是上面的表达式。相反,它是我们对每个参数 μ \mu μ σ \sigma σ 如何分布的假设。请注意,这就是贝叶斯统计的定义特征的体现:我们如何找到这些参数的分布?有趣的是,我们根据先验知识“编造”它们。如果我们的先验知识很少,我们可以选择一个非常无信息的先验,以免使过程产生偏差。例如,我们可以定义平均高度 μ \mu μ 介于 1.65 m 1.65 m 1.65m 1.8 m 1.8 m 1.8m 之间。如果我们想要一个无信息的先验,我们可以说 μ \mu μ 沿着该区间均匀分布。相反,如果我们认为平均高度在某种程度上偏向于更接近 1.65 m 1.65 m 1.65m 而不是 1.8 m 1.8 m 1.8m 的值,我们可以定义 μ \mu μ 服从 beta 分布,由“超”参数 α \alpha α 定义和 β \beta β。我们可以看看下面这些选项:

import scipy.stats as sts
import numpy as np
import matplotlib.pyplot as pltmu = np.linspace(1.65, 1.8, num = 50)
test = np.linspace(0, 2)
uniform_dist = sts.uniform.pdf(mu) + 1 
uniform_dist = uniform_dist/uniform_dist.sum() 
beta_dist = sts.beta.pdf(mu, 2, 5, loc = 1.65, scale = 0.2) 
beta_dist = beta_dist/beta_dist.sum()
plt.plot(mu, beta_dist, label = 'Beta Dist')
plt.plot(mu, uniform_dist, label = 'Uniform Dist')
plt.xlabel("Value of $\mu$ in meters")
plt.ylabel("Probability density")
plt.legend()

请注意 y 轴如何为我们提供“概率密度”,即我们认为真正的 μ \mu μ x x x 轴上的概率密度。另外,请注意,β 分布和均匀分布会导致我们对 μ \mu μ 的值可能得出的不同结论。如果我们选择均匀分布,我们就表示我们不倾向于判断 μ \mu μ 是否接近我们范围内的任何值,我们只是认为它位于其中的某个位置。如果我们选择 beta 分布,我们相当确定 μ \mu μ 的“真实”值介于 1.68 m 1.68 m 1.68m 1.72 m 1.72 m 1.72m 之间,如蓝线峰值所示。

请注意,我们正在讨论 μ \mu μ 的先验,但我们的模型实际上有两个参数: N ( μ , σ ) N (\mu, \sigma) N(μ,σ)。一般来说,我们也可以定义 σ \sigma σ 上的先验。然而,如果我们对 σ \sigma σ 的猜测感到幸运,或者如果我们想为了示例而简化过程,我们可以将 σ \sigma σ 设置为固定值,例如 0.1 m 0.1 m 0.1m

似然表示为 P ( P ( P( Data ∣ θ ) \mid \theta) θ)。在这种情况下,“数据”将是高度的观测值。假设我们要测量一名随机挑选的学生,他们的身高为 1.7m。考虑到有了这个数据,我们现在可以了解 θ \theta θ 的每个选项有多好。我们通过以下问题来做到这一点:如果 θ \theta θ 的一个特定选项(称为 θ 1 \theta 1 θ1)是真实的,那么我们观察到 1.7 m 1.7 m 1.7m 高度的“可能性”有多大? θ 2 \theta 2 θ2 怎么样:如果 θ 2 \theta 2 θ2 是“正确”模型,观察到 1.7 m 1.7 m 1.7m 高度的可能性有多大?

然而,就我们目前的目的而言,我们正在改变分布/模型本身。这意味着我们的 x x x 轴实际上将具有变量 μ \mu μ 的不同可能性,而我们的 y y y 轴将具有每种可能性的概率密度。看看下面的代码,它代表了我们的似然函数及其可视化:

def likelihood_func(datum, mu):likelihood_out = sts.norm.pdf(datum, mu, scale = 0.1) return likelihood_out/likelihood_out.sum()likelihood_out = likelihood_func(1.7, mu)plt.plot(mu, likelihood_out)
plt.title("Likelihood of $\mu$ given observation 1.7m")
plt.ylabel("Probability Density/Likelihood")
plt.xlabel("Value of $\mu$")
plt.show()

一些统计学家将 P ( P ( P( Data ) ) ) 称为“证据”。这个变量的含义非常简单:它是产生价值数据的概率。然而,这很难直接计算。值得庆幸的是,我们有一个好办法。考虑以下方程:
∫ P ( Data  ∣ θ ) ∗ P ( θ ) d θ = P ( Data  ) \int P(\text { Data } \mid \theta) * P(\theta) d \theta=P(\text { Data }) P( Data θ)P(θ)dθ=P( Data )
贝叶斯定理的右侧 P ( θ ∣ P (\theta \mid P(θ Data) 称为“后验”。这是我们对数据如何分布的后验理解,因为我们目睹了数据,并且我们有先验知识。我们如何得到后验呢?回到方程:
P ( θ ∣ Data  ) = P ( Data  ∣ θ ) ∗ P ( θ ) P ( Data  ) P(\theta \mid \text { Data })=\frac{P(\text { Data } \mid \theta) * P(\theta)}{P(\text { Data })} P(θ Data )=P( Data )P( Data θ)P(θ)
那么,第一步是将似然度 (P(Data ∣ θ ) ) \mid \theta)) θ)) 与先验 ( P ( θ ) ) ( P (\theta)) (P(θ)) 相乘:

import scipy as spunnormalized_posterior = likelihood_out * uniform_dist
plt.plot(mu, unnormalized_posterior)
plt.xlabel("$\mu$ in meters")
plt.ylabel("Unnormalized Posterior")
plt.show()

👉参阅一:计算思维

👉参阅二:亚图跨际

这篇关于Python高层解雇和客户活跃度量化不确定性模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1015709

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

客户案例:安全海外中继助力知名家电企业化解海外通邮困境

1、客户背景 广东格兰仕集团有限公司(以下简称“格兰仕”),成立于1978年,是中国家电行业的领军企业之一。作为全球最大的微波炉生产基地,格兰仕拥有多项国际领先的家电制造技术,连续多年位列中国家电出口前列。格兰仕不仅注重业务的全球拓展,更重视业务流程的高效与顺畅,以确保在国际舞台上的竞争力。 2、需求痛点 随着格兰仕全球化战略的深入实施,其海外业务快速增长,电子邮件成为了关键的沟通工具。