Lime

《Attack ML Models

依然范特西╮ 提交于 2021-02-12 04:28:26
Attack ML Models - 李宏毅 https://www.bilibili.com/video/av47022853 Training的Loss:固定x,修改θ,使y0接近ytrue. Non-targeted Attack的Loss:固定θ,修改x,使y‘远离ytrue. Targeted Attack的Loss:固定θ,修改x,使y‘远离ytrue且接近yfalse. constraint:x‘和原图像x0的相似度,必须小于阈值ε.有多种计算方法,如L2-norm,L-infinity,因为取决于人类感知,一般采用L-infinity. 对抗攻击即生成对抗样本x’,它要使得损失函数L(x‘)尽可能小,同时确保相似度d(x0,x’)小于ε. 采用梯度下降法进行,x0作为初始值进行迭代.如果相似度超过ε,则对xt进行修正. 具体修正策略为,找到小于ε且与当前xt最接近的x. 图片特征一般是很高维的,在某些维度上如图1,tiger cat的置信度范围很广且附近都是cat,在另一些维度上如图2,tiger cat的置信度很窄且附近时不相干的事物. 不同的对抗攻击方法,区别一般在于采用不同的距离限制方式与不同的优化策略. FGSM是一种常见的对抗攻击方法,它的原理是计算出分类函数loss的梯度,然后用sign函数将其指向四个角的方向之一,再乘上ε使其落在角上

Can the R version of lime explain xgboost models with count:poisson objective function?

拟墨画扇 提交于 2021-02-07 19:14:20
问题 I generated a model using xgb.train with the "count:poisson" objective function and I get the following error when trying to create the explainer: Error: Unsupported model type Lime works when I replace the objective by something else such as reg:logistic. Is there a way to explain count:poisson in lime? thanks reproducible example: library(xgboost) library(dplyr) library(caret) library(insuranceData) # example dataset https://cran.r-project.org/web/packages/insuranceData/insuranceData.pdf

Can the R version of lime explain xgboost models with count:poisson objective function?

≯℡__Kan透↙ 提交于 2021-02-07 19:10:53
问题 I generated a model using xgb.train with the "count:poisson" objective function and I get the following error when trying to create the explainer: Error: Unsupported model type Lime works when I replace the objective by something else such as reg:logistic. Is there a way to explain count:poisson in lime? thanks reproducible example: library(xgboost) library(dplyr) library(caret) library(insuranceData) # example dataset https://cran.r-project.org/web/packages/insuranceData/insuranceData.pdf

英超之旅-安菲尔德篇

半腔热情 提交于 2021-02-07 12:55:28
点击标题下「蓝色微信名」可快速关注 预计阅读时间:10分钟 英超之旅的其他文章, 《英超之旅-签证准备篇》 《 我的英超之旅-剧透篇 》 《 英超之旅-拉克文农球场篇 》 《 英超之旅-观赛球票篇 》 《 英超之旅-斯坦福桥球场篇 》 《 英超之旅-伦敦地铁篇 》 《 英超之旅-wifi篇 》 《英超之旅-依蒂哈德篇》 《 英超之旅-老特拉福德篇 》 今天的行程,是 从曼彻斯特,到利物浦,路程不是很远,坐火车1个小时。 利物浦 ,是默西河畔都市郡的5个自治市之一,也是默西塞德郡的首府,人口约为52万,英国著名商业中心,也是第二大商港,曾经是英国著名的制造业中心,泰坦尼克号最早就是由利物浦的白星航运公司设计并建造而成,但是从1970年代起利物浦的船坞和传统制造业急剧衰落, 利物浦,是披头士乐队的发源地, 披头士的各位成员都成长在这里,他们的首次演出也在这。另外,利物浦大教堂,作为 整个英国最大的教堂,世界第五大主教座堂,典型的哥特复兴式建筑,拥有世界上最大的钟楼。 除此之外,最著名的,就是两支足球队,利物浦和埃弗顿,他们之间的比赛,又称 默西赛德郡德比,或称为利物浦市德比。 曼市-利物浦的列车,还是在皮卡迪利车站, 从曼联酒店出来,搭乘双层客车250,能到皮卡迪利站附近。上车的时候,司机会问你到哪,然后交钱买票,开始我很是不好意思,因为找零钱找了很久,司机就在这停车等着

Python实现语音识别和语音合成

狂风中的少年 提交于 2021-01-13 07:37:08
声音的本质是震动,震动的本质是位移关于时间的函数,波形文件(.wav)中记录了不同采样时刻的位移。 通过傅里叶变换,可以将时间域的声音函数分解为一系列不同频率的正弦函数的叠加,通过频率谱线的特殊分布,建立音频内容和文本的对应关系,以此作为模型训练的基础。 案例:画出语音信号的波形和频率分布,( freq.wav数据地址 ) # -*- encoding:utf-8 -*- import numpy as np import numpy.fft as nf import scipy.io.wavfile as wf import matplotlib.pyplot as plt sample_rate, sigs = wf.read( ' ../machine_learning_date/freq.wav ' ) print (sample_rate) # 8000采样率 print (sigs.shape) # (3251,) sigs = sigs / (2 ** 15) # 归一化 times = np.arange(len(sigs)) / sample_rate freqs = nf.fftfreq(sigs.size, 1 / sample_rate) ffts = nf.fft(sigs) pows = np.abs(ffts) plt.figure( ' Audio

共享滑板车原来更适合欧洲 行业隐形冠军竟是这家中国上市公司

China☆狼群 提交于 2021-01-12 09:23:00
一项数据显示,欧洲青年手机上最活跃的APP不是Tiktok(抖音),而是E-Scooter—— 电动滑板车 ! 共享电动滑板车作为新的短途代步工具,这两年风靡了整个欧美,成为资本的宠儿。数据显示,在2020年的投融资方面,欧洲的共享滑板车公司的表现要优于美国同行,行业高管和投资者表示,欧洲比美国更适合共享滑板车生存。在欧洲,电动踏板车业务的竞争已经到了白热化阶段,除了欧洲本土最大的四家共享滑板车运营公司Voi、Tier、Wind和Dott以外,Uber、Lyft、Google、Spin、Blablacar等巨头也纷纷入局,美国的两个重量级竞争对手Lime和Bird也正在努力前进。在这些明星企业背后,还藏有一个“隐形冠军”企业:九号公司。虽然共享滑板车运营商搅起了一池春水,但拥有巨大的市场份额和行业话语权的却是隐藏在背后的制造供应商九号公司。 共享滑板车:起源于美国西海岸旧金山 微交通(micromobility)通常指的是由单人驾驶,以低于25km/h的速度运行的小型轻型车辆。微交通设备包括自行车,电动自行车,电动滑板车,电动平衡车等。微交通最初的定义规定了车辆总重要小于500千克,而在当今的大多数市场中,微交通大多指的是共享滑板车和自行车(包括人力和电动的),旨在帮助解决公交、地铁驳接的“最后一公里”。 微交通的革命始于2002年,彼时赛格威(Segway)刚刚进入微交通领域

Python+SQL万字案例:用户行为数据分析实战!

落爺英雄遲暮 提交于 2020-12-30 14:13:28
↑ 关注 + 星标 ,每天学Python新技能 后台回复【 大礼包 】送你Python自学大礼 简说Python严选 作者:freedom_lime 来源: https://juejin.im/post/6844904202590748679#heading-0 One old watch, like brief python 大家好,我是老表~ 今 天 和大家分享的Python+SQL数据分析实战案例 ,学习了 记得 点赞、留言、转发,三连哦~ 1 项目背景 项目对京东电商运营数据集进行 指标分析 以了解 用户购物行为特征 ,为运营决策提供支持建议。本文采用了 MySQL 和 Python 两种代码进行指标计算以适应不同的数据分析开发环境。 2 数据集介绍 本数据集为京东竞赛数据集, 详细介绍请访问链接: https://jdata.jd.com/html/detail.html?id=8 数据集共有五个文件,包含了'2018-02-01'至'2018-04-15'之间的用户数据,数据已进行了脱敏处理,本文使用了其中的 行为数据表 ,表中共有五个字段, 各字段含义如下图所示: 3 数据清洗 # 导入python相关模块 import numpy as np import pandas as pd import seaborn as sns import matplotlib

LimeSDR-Mini简介1

若如初见. 提交于 2020-12-19 06:26:45
转载至: www.limesdr.com.cn SDR中文网 LimeSDR-Mini简介1 什么是LimeSDR-Mini LimeSDR-Mini是Lime Microsystem推出的开源软件无线电开发硬件,是LimeSDR软件定义无线电开发板中一款体积更小,价格更便宜的产品。 LimeSDR-Mini推出的早期优惠价格为99美元(约630人民币),并在推出后24小时内售馨全部500件,成为销售最快的软件定义无线电产品之一。现在可以通过 Crowd Supply 进行预订,也可以在淘宝上面购买到,价格为139美元(约900人民币)。 最重要的:全部开源(软件,硬件,应用程序)见“LimeSDR-Mini资源合集” 这是一场无线电领域的革命 LimeSDR-Mini设定的低价位已经使几乎任何人都可以采用尖端硬件来开发无线应用。 Lime与Ubuntu合作,推出了针对LimeSDR系统的应用程序商店。据此,开发人员可以下载应用程序,并可在几分钟内实现一个移动、物联网(IoT)或其他无线网络的运行。 Lime无线电技术的开源性质,加上可以在平台上运行的众多应用,Lime正在改变移动和无线系统开发的方式。 LimeSDR-Mini 能干什么 支持10MHz到3.5GHz之间几乎所有类型的无线技术,包括UMS、LTE,SDM、LoRa、蓝牙、RFID、Zigbee和数字广播等等。甚至

你的模型需要解释(一)

北战南征 提交于 2020-11-24 02:53:36
导读: 模型可解释性方面的研究,在近两年的科研会议上成为关注热点,因为大家不仅仅满足于模型的效果,更对模型效果的原因产生更多的思考,这样的思考有助于模型和特征的优化,更能够帮助更好的理解模型本身和提升模型服务质量。本文对机器学习模型可解释性相关资料汇总 survey。 ——综述—— 机器学习业务应用以输出决策判断为目标。可解释性是指人类能够理解决策原因的程度。机器学习模型的可解释性越高,人们就越容易理解为什么做出某些决定或预测。模型可解释性指对模型内部机制的理解以及对模型结果的理解。其重要性体现在:建模阶段,辅助开发人员理解模型,进行模型的对比选择,必要时优化调整模型;在投入运行阶段,向业务方解释模型的内部机制,对模型结果进行解释。比如基金推荐模型,需要解释:为何为这个用户推荐某支基金。 机器学习流程步骤:收集数据、清洗数据、训练模型、基于验证或测试错误或其他评价指标选择最好的模型。第一步,选择比较小的错误率和比较高的准确率的高精度的模型。第二步,面临准确率和模型复杂度之间的权衡,但一个模型越复杂就越难以解释。一个简单的线性回归非常好解释,因为它只考虑了自变量与因变量之间的线性相关关系,但是也正因为如此,它无法处理更复杂的关系,模型在测试集上的预测精度也更有可能比较低。而深度神经网络处于另一个极端,因为它们能够在多个层次进行抽象推断,所以他们可以处理因变量与自变量之间非常复杂的关系

如何解释一个模型

核能气质少年 提交于 2020-11-24 02:36:49
如何解释一个模型 今天早上和同事聊天,因为宅在家里,业余时间无事可干,大家各自发挥学习特长各种学习。然后再次感悟机器学习这个领域太大,每个看似小问题展开都是大学问。有些知识无法一时get到点,只能通过不停看参加讨论,耳濡目染,终于有一天顿悟。不知道我顿悟了没,但是想把自己get的到的关于解释机器模型的知识到和大家分享一下。 之前讨论过如何给一个模型打分。打分很好理解,根据分数能够一眼看出哪个模型更好一点。吴恩达在Machine Learning Yearning一书中强调了很多次,选择一个metric有多重要。那么解释模型又是什么鬼。 解释模型就像介绍软件功能一样,解释你的模型是怎么工作的。 比如说一个预测房价的模型,解释模型就是必须要解释,在模型中是房子的位置,大小还是房型起的作用更大。 线性模型很好解释: y = 2 x 2 + 1 x 1 + 0 训练好的模型中的 2 , 1 就是feature的权重。 那么复杂的模型该怎么办呢。是不是所有的模型都是可以解释的呢? 有人大概要质疑了,深度学习模型不是黑盒模型吗,需要关心这个吗? 这是一个很值得讨论的问题,为什么需要解析深度学习的模型。 首先万物当中,人类是最为矛盾的物种。人类思维不可能一夜之间从因果思维转换成相关思维。即使因果思维已经存在了几个世纪,为什么人类还是有很大一部分的有神论者。为什么热学有了第一定律后有了第二定律