贝叶斯神经网络
以下近似推理方法的Pytorch实现：
我们还提供以下代码：
先决条件
火炬
脾气暴躁的
Matplotlib
该项目是用python 2.7和Pytorch 1.0.1编写的。 如果CUDA可用，它将自动使用。 这些模型也不会太大，因此也可以在CPU上运行。
用法
结构体
回归实验
我们对用 生成的玩具数据集和真实数据（六个）进行了均方差和异方差回归实验。
Notebooks / classification /（ModelName）_（ExperimentType）.ipynb ：包含在（ExperimentType）上使用（ModelName）进行的实验，即同调/异
2021-03-28 22:19:28
13.93MB
1
通过建立Softmax Regression模型对简单的多分类问题进行求解，最终可以得出训练权重，并且绘制出训练数据可视化结果图
2021-03-28 13:35:29
6.32MB
1
通常将序数回归（OR）定义为输入样本按序数等级进行排序的任务。 OR已经发现了各种各样的应用程序，并且已经完成了很多工作。 但是，大多数现有工作都集中在有监督/半监督的OR分类上，并且尚未明确解决半监督或OR聚类的问题。 在现实世界的OR应用程序中，标记大量的训练样本通常是耗时且昂贵的，而可以使用一组未标记的样本来建立OR模型。 此外，尽管样本标签不可用，但有时我们可以获得未标记样本的相对排名信息。 此样本排名信息可用于完善OR模型。 因此，如何在未加标签的样本上建立OR模型并将样本排名信息纳入提高聚类精度的过程仍然是OR应用程序的主要挑战。 在本文中，我们考虑了具有样本排序约束的半监督OR聚类问题，该问题给出了未标记样本的相对排名信息，并提出了一种用于半监督OR聚类的最大余量方法。 一方面，M²SORC寻求一组平行的超平面，以将未标记的样本划分为多个簇。 另一方面，提出了损失函数以将样本排名信息纳入聚类过程。 结果，制定了M²SORC的优化函数，以最大程度地增加最接近的相邻簇的余量，同时最大程度地减少与样本排序约束相关的损失。 在OR数据集上进行的大量实验表明，所提出的M²SORC方
2021-03-13 12:07:07
2.16MB
1
The methodology used to construct tree structured rules is the focus of this monograph. Unlike many other statistical procedures, which moved from pencil and paper to calculators, this text's use of trees was unthinkable before computers. Both the practical and theoretical sides have been developed in the authors' study of tree methods. Classification and Regression Trees reflects these two sides, covering the use of trees as a data analysis method, and in a more mathematical framework, proving some of their fundamental properties.
2021-03-05 11:42:41
7.39MB
1