بروبا

بروبا


الرسالة 130 (412 م)

1. مع تذكير لطلبك ووعدي ، أنه بمجرد إعطاء الوقت والفرصة من قبل من نصلي له ، سأكتب لك شيئًا عن موضوع الصلاة إلى الله ، أشعر أنه من واجبي الآن الوفاء بهذا الدين ، وفي محبة المسيح لخدمة إرضاء رغبتك التقية. لا أستطيع أن أعبر بالكلمات عن مدى سعادتي بالفرح بسبب الطلب ، الذي أدركت فيه مدى اهتمامك بهذه المسألة البالغة الأهمية. فماذا يكون من عمل ترملك أنسب من الاستمرار في الدعاء ليلا ونهارا ، حسب وصية الرسول ، إنها أرملة حقًا ومقفرة ، تتوكل على الله ، وتستمر في الدعاء ليلًا ونهارًا؟ 1 Timothy 5: 5 قد يبدو من الرائع حقًا أن الاهتمام بالصلاة يجب أن يشغل قلبك ويحتل المركز الأول فيه ، عندما تكون ، فيما يتعلق بهذا العالم ، نبيلًا وغنيًا ، وأمًا لمثل هذا العالم. عائلة شهيرة ، وعلى الرغم من كونها أرملة وليست مقفرة ، لولا أنك تفهم بحكمة أنه في هذا العالم وفي هذه الحياة ليس للروح نصيب أكيد.

2. لذلك فإن من ألهمك بهذا الفكر يفعل بالتأكيد ما وعد به تلاميذه عندما كانوا حزينين ، ليس لأنفسهم ، ولكن للعائلة البشرية بأكملها ، ويئسون من خلاص أي شخص ، بعد أن سمعوا منه. أنه كان من الأسهل على جمل أن يمر عبر ثقب إبرة من دخول رجل غني إلى ملكوت السموات. أعطاهم هذا الرد الرائع والرحيم: ما يستحيل عند الإنسان ممكن عند الله. ماثيو 19: 21-26 ، لذلك ، الذي من الممكن أن يدخل معه حتى الأغنياء إلى ملكوت السماوات ، ألهمك بهذا القلق الورع الذي يجعلك تعتقد أنه من الضروري أن تسأل مشورتي حول السؤال كيف يجب أن تفعل صلى. لأنه بينما كان لا يزال على الأرض ، أحضر زكا ، لوقا 19: 9 ، مع أنه غني ، إلى ملكوت السماوات ، وبعد أن تمجد بقيامته وصعوده ، جعل كثيرين من الأغنياء يحتقرون هذا العالم الحاضر ، هم أكثر ثراءً حقًا من خلال إطفاء رغبتهم في الغنى من خلال منحه لهم روحه القدوس. فكيف يمكنك أن تصلي إلى الله كثيرًا إذا لم تكن تثق به؟ وكيف يمكنك أن تثق به إذا كنت تثبت ثقتك في ثروات غير مؤكدة ، وتتجاهل نصح الرسول الناجح: اتهم الأغنياء في هذا العالم بأنهم ليسوا سامين ، ولا يثقون في ثروات غير مؤكدة ، بل في الله الحي ، الذي يمنحنا كل الأشياء بغنى لنستمتع بفعل الخير ، وأن يكونوا أغنياء في الأعمال الصالحة ، ومستعدون للتوزيع ، ومستعدون للتواصل ، ويضعون في المخزن لأنفسهم أساسًا جيدًا ، حتى يتمكنوا من التمسك بالأبدية. الحياة ؟ 1 تيموثاوس 6: 17-19


بروبا - التاريخ

يقع شارع روبنشتاين ، حيث يقع مركز ProBa للغات ، في قلب مدينة سانت بطرسبرغ ، بالقرب من شارع نيفسكي بروسبكت & # 8211 الشارع الرئيسي لمدينتنا.

سمي هذا الشارع باسم أنطون روبنشتاين ، الملحن ومعلم تشايكوفسكي.

شارع روبنشتاين هو "جنة تناول الطعام" في المدينة رقم 8217. يوجد مطعم أو مقهى أو بار أو حانة في كل مبنى تقريبًا من 40 مبنى على طول هذا الشارع الصغير.

منذ أكثر من قرن مضى ، كان هذا الشارع مكانًا يلتقي فيه العديد من الكتاب والشعراء الروس المشهورين مثل برودسكي ودوفلاتوف ، وبالطبع العديد من نجوم موسيقى الروك تحت الأرض.

أشهر مبنى هو "تولستوي هاوس". كان ينتمي إلى الكونت ميخائيل تولستوي ، وهو قريب من ليو تولستوي & # 8211 أعظم كاتب روسي. حقيقة مثيرة للاهتمام: نموذج أولي لإحدى الشخصيات الغامضة والغامضة في الأدب الروسي ، البروفيسور فولاند (الشيطان نفسه) من "السيد ومارغريتا" (واحدة من الروائع الأكثر إثارة للاهتمام والتي يمكن للمرء قراءتها لتعلم اللغة الروسية) مكتوبة بقلم ميخائيل بولجاكوف ، عاش أيضًا في هذا المنزل. أثناء زيارته لسانت بطرسبورغ ، اعتاد بولجاكوف الإقامة في شقة ديمتري بوزدينيف ، الباحث وأحد أقارب بولجاكوف. كان لبوزدينيف ، وهو رجل يتمتع بشخصية رائعة ، الكثير من القواسم المشتركة مع توصيفه الخيالي: كان لدى فولاند "عين يسرى فارغة" تمامًا مثل بوزدينيف ، الذي كان يرتدي عينًا زجاجية اصطناعية ، وكلاهما كانا أساتذة مستشرقين ذوي شعر داكن ومكانة عالية ومدخنون شرهون بصوت منخفض. تم إعدام بوزدنيف أثناء تطهير ستالين في عام 1937 ، بينما ظلت صورة فولاند باقية إلى الأبد في رواية بولجاكوف.

في الخمسينيات من القرن الماضي ، كان من بين سكان شارع روبنشتاين إيفجيني راين ، الشاعر وصديق جوزيف برودسكي. التقيا لأول مرة في أواخر الخمسينيات: زاره برودسكي وقرأ القصائد التي أحبها رين حقًا. لذلك أصبحوا أصدقاء. بعد فترة وجيزة ، حصل رين على غرفة في شارع روبنشتاين 19 وساعده برودسكي على التحرك. كان يعيش في مكان قريب ، لذلك بدأ الشعراء في رؤية بعضهم البعض يوميًا.

أيضًا ، كان رين صديقًا للكاتب الشهير سيرجي دوفلاتوف. كان يزور رين كل يوم تقريبًا حيث كان يعيش في مكان قريب أيضًا & # 8211 في شارع 23 روبنشتاين ، حتى هجرته إلى الولايات المتحدة.

من خلال نوافذ منزل تولستوي ، يمكن للمرء أن يرى حديقة عامة جميلة ولكنها صغيرة ، سميت على اسم المغني إدوارد خيل ، المعروف أيضًا باسم "السيد. ترولولو ".

في أوائل الثمانينيات ، كان هناك عدد متزايد من موسيقيي الروك الشباب في الشارع ، لذلك في عام 1981 تم افتتاح أول نادي روك روسي رسمي في Rubinstein 13. وكان المكان الوحيد الذي يمكن للموسيقيين فيه عزف موسيقى الروك بشكل قانوني. ساعد نادي الروك هذا في بدء حياتهم المهنية مع فرق مثل "كينو" ، التي لا تزال أغانيها مشهورة حتى هذه الأيام.

يعد شارع روبنشتاين اليوم أحد أكثر شوارع سانت بطرسبرغ ازدحامًا خاصة في المساء. يوجد أكثر من 50 مطعمًا وبارًا على طول شارع Rubinstein القصير. يحاول كل شريط جذب الناس بأسلوبه الخاص. لذلك ، يعد شارع روبنشتاين أحد الأماكن التي يجب عليك زيارتها بالتأكيد في سانت بطرسبرغ.


التنفيذ الساذج: قصة استخدام الذاكرة

دعونا نحل مشكلة الاحتيال بطريقة ساذجة ونتتبع استخدام الذاكرة. أول شيء نفعله عادة هو قراءة مجموعة البيانات مع الباندا. كم يكلف هذا ، من ناحية الذاكرة؟

تزداد الذاكرة ببطء حتى تصل إلى أكثر من 570 ميجابايت ، ثم ترتفع إلى 1.14 جيجابايت ثم تنخفض إلى 570 ميجابايت مرة أخرى ، وهو الحجم النهائي للكائن df_train. قد يشير استخدام الذروة لضعف حجم الكائن النهائي إلى وجود نسخة غير فعالة في مكان ما في وظيفة pd.read_csv ، لكنني سأترك هذا يمر الآن.

ماذا علينا أن نفعل بعد ذلك؟ تدريب نموذجنا! لنفترض أننا انتهينا بالفعل من هندسة الميزات ، وبالتالي نحتاج فقط إلى تقسيم بيانات القطار الخاصة بنا إلى مصفوفة التصميم الخاصة بنا X_train واستهداف y_train وإدخالها في ExtraTreesClassifier. دعنا نتحقق من أداء هذه الخطوة:

نقفز إلى ذروة 1.91 جيجابايت ، ونحصل على استخدام ثابت لحوالي 1.5 جيجابايت. هناك القليل من "المسامير" في جميع أنحاء النوبة ، والتي أظن أنها عمليات ملائمة للأشجار الفردية (10 أشجار = 10 مسامير). أنهينا العملية بـ 593 ميجا بايت.

الخطوة الأخيرة في خط الأنابيب لدينا هي قراءة بيانات الاختبار الخاصة بنا ، وإجراء الاستدلال بنموذجنا ، والإبلاغ عن اختبار AUC:

ننتقل من استخدام الخطوة السابقة بحوالي 600 ميجابايت إلى ذروة 1.1 جيجابايت وتوقف عند حوالي 600 ميجابايت مرة أخرى. أيضًا ، تبدو AUC لطرازنا رائعة عند 0.9915. بتجميع كل ذلك معًا ، فإن استخدام ذاكرة خط الأنابيب لدينا يسير على النحو التالي:

هذا ليس كثيرًا في الواقع ، ولكن من يدري ، قد نتعامل غدًا مع مجموعات البيانات واستخدامات الذاكرة في عشرات أو مئات الجيجابايت. لذلك ، دعونا نتخيل أننا مقيدون بذاكرة أقل مما استخدمناه في الحالة الساذجة ، من أجل هذا المنشور. يجب أن تعمل نفس الحيل التي سنبتكرها في هذه الحالة مع مجموعات بيانات أكبر بكثير.


2 إجابات 2

مما أفهمه أنك تريد الحصول على احتمالات لكل فئة من الفئات المحتملة لمصنف متعدد الفئات.

في Scikit-Learn يمكن أن يتم ذلك عن طريق التنبؤ بالوظيفة العامة. يتم تنفيذه لمعظم المصنفات في scikit-Learn. أنت تتصل بشكل أساسي بـ:

حيث clf هو المصنف المدرب. كإخراج ، ستحصل على مجموعة عشرية من الاحتمالات لكل فئة لكل قيمة إدخال.

كلمة تحذير واحدة - لا تقوم كل المصنفات بشكل طبيعي بتقييم احتمالات الفئة. على سبيل المثال ، لا يقوم SVM بذلك. لا يزال بإمكانك الحصول على احتمالات الفئة ، ولكن للقيام بذلك عند إنشاء مثل هذه المصنفات ، فإنك تحتاج إلى توجيهه لإجراء تقدير الاحتمالية. بالنسبة إلى SVM ، سيبدو الأمر كما يلي:

بعد ملاءمته ، ستتمكن من استخدام Forecast_proba كما كان من قبل.

أحتاج إلى تحذيرك من أنه إذا لم يقم المصنف بتقييم الاحتمالات بشكل طبيعي ، فهذا يعني أنه سيتم تقييم الاحتمالات باستخدام طرق حسابية موسعة إلى حد ما والتي قد تزيد بشكل كبير من وقت التدريب. لذلك أنصحك باستخدام المصنفات التي تقيم بشكل طبيعي احتمالات الفئة (الشبكات العصبية مع إخراج softmax ، والانحدار اللوجستي ، وتعزيز التدرج ، إلخ)


تعديل: كما أشارTimH ، يمكن إعطاء الاحتمالات بواسطة clf.decision_function (X). تم إصلاح الكود أدناه. بالإشارة إلى المشكلة المحددة ذات الاحتمالات المنخفضة باستخدام التنبؤ (X) ، أعتقد أن الإجابة هي أنه وفقًا للوثيقة الرسمية هنا ، . أيضًا ، ستؤدي إلى نتائج لا معنى لها في مجموعات البيانات الصغيرة جدًا.

تبقى الإجابة في فهم ما هي الاحتمالات الناتجة من SVMs. باختصار ، لديك 7 فئات و 7 نقاط في المستوى ثنائي الأبعاد. ما تحاول SVMs القيام به ، هو العثور على فاصل خطي ، بين كل فئة وكل فئة أخرى (نهج واحد مقابل واحد). في كل مرة يتم اختيار فصلين فقط. ما تحصل عليه هو اصوات المصنفين بعد التطبيع. شاهد شرحًا أكثر تفصيلاً عن SVMs متعدد الفئات لـ libsvm في هذا المنشور أو هنا (يستخدم scikit-learn libsvm).

من خلال تعديل التعليمات البرمجية الخاصة بك بشكل طفيف ، نرى أنه تم بالفعل اختيار الفئة المناسبة:

الناتج المقابل هو

ويمكنك أيضًا مشاهدة مناطق القرار:

يجب عليك تعطيل الاحتمالية واستخدام Resolution_function بدلاً من ذلك ، لأنه لا يوجد ما يضمن أن توقع Forecast_proba والتنبؤ بإرجاع نفس النتيجة. يمكنك قراءة المزيد عنها هنا في الوثائق.

تعطي وظيفة قرار طريقة SVC درجات لكل فئة لكل عينة (أو درجة واحدة لكل عينة في الحالة الثنائية). عند تعيين احتمال خيار المُنشئ على True ، يتم تمكين تقديرات احتمالية عضوية الفئة (من طريقتي توقع_بروبا و توقع_لوج_بروبا). في الحالة الثنائية ، فإن يتم معايرة الاحتمالات باستخدام مقياس بلات: الانحدار اللوجستي على درجات SVM ، يتناسب مع التحقق المتبادل الإضافي لبيانات التدريب. في الحالة متعددة الطبقات ، يتم تمديد هذا وفقًا لـ Wu et al. (2004).

لا داعي لقوله، يعد التحقق المتبادل المتضمن في مقياس بلات عملية مكلفة لمجموعات البيانات الكبيرة. بالإضافة إلى ذلك ، قد تكون تقديرات الاحتمالية غير متسقة مع الدرجات، بمعنى أن "argmax" في الدرجات قد لا يكون هو أكبر حجج للاحتمالات. (على سبيل المثال ، في التصنيف الثنائي ، يمكن تصنيف عينة من خلال التنبؤ بأنها تنتمي إلى فئة ذات احتمالية & lt½ وفقًا لـ Forecast_proba.) من المعروف أيضًا أن طريقة بلات بها مشكلات نظرية. إذا كانت درجات الثقة مطلوبة ، ولكن لا يجب أن تكون احتمالات ، إذن من المستحسن تعيين الاحتمال = خطأ واستخدام وظيفة القرار بدلاً من التنبؤ.

هناك أيضًا الكثير من الالتباس حول هذه الوظيفة بين مستخدمي Stack Overflow ، كما ترى في هذا الموضوع ، أو هذا الموضوع.


كيف يتم اختبار Romberg؟

  • الخطوة 1: يُطلب من المريض خلع حذائه والوقوف منتصباً بقدميه معًا. يُطلب منه إبقاء ذراعيه بجوار جسده أو حملهما متقاطعين أمام جسده.
  • الخطوة 2: ثم يُطلب من المريض إبقاء عينيه مفتوحتين ويطلب بعد ذلك إغلاق عينيه ومراقبة ما إذا كان قادرًا على الحفاظ على توازنه. ونصحت بضرورة وقوف الطبيب أو المراقب بالقرب من المريض كإجراء أمان ومنع أي إصابة جسدية للمريض في حالة سقوطه. بمجرد أن يغلق المريض عينه ، يجب ألا يشتت انتباهه بالضوء أو الصوت أو غيرها من الحواس لأن هذا يمكن أن يعطي نتيجة إيجابية خاطئة.
  • الخطوه 3: يتم التسجيل بناءً على عدد الثواني التي يستطيع المريض الوقوف فيها وعينيه مغمضتين دون أن يفقد التوازن.

في بعض الحالات قد يستخدم الطبيب الاضطراب لإلهاء المريض ولكن يجب أن يتم ذلك بحذر وبدون مبالغة.

يعتبر اختبار Romberg إيجابيًا عندما يكون الشخص غير قادر على الوقوف لفترة طويلة وعيناه مغلقة كما يتضح من فقدان التوازن مما يؤدي إلى تأرجح الجسم ووضع قدم واحدة في اتجاه السقوط أو السقوط الكامل للمريض.


3 إجابات 3

بافتراض أن هدفك هو (0،1) ، فسيقوم المصنف بإخراج مصفوفة احتمالية للبعد (N ، 2). يشير الفهرس الأول إلى احتمال أن البيانات تنتمي إلى الفئة 0 ، ويشير الثاني إلى احتمال أن تنتمي البيانات إلى الفئة 1.

يمكنك بعد ذلك إخراج النتيجة من خلال:

إذا كان لديك فئات k ، فسيكون الناتج (N ، k) ، سيكون عليك تحديد احتمالية الفئة التي تريدها.

في MultiOutputClassifier ، أنت تتعامل مع المخرجين كمهام تصنيف منفصلة عن المستندات التي قمت بربطها:

تتكون هذه الإستراتيجية من تركيب مصنف واحد لكل هدف.

لذا فإن المصفوفتين في القائمة الناتجة تمثل كل من المصنفين / المتغيرات التابعة. المصفوفات إذن هي مخرجات التصنيف الثنائي (الأعمدة التي هي احتمالية من الفئة 0 ، واحتمال الفئة 1) التي ذكرها @ chrisckwong821 ، ولكن واحدة لكل مشكلة.

بمعنى آخر ، ستكون القيمة المرجعة لـ Forecast_proba عبارة عن قائمة طولها يساوي عرض y الخاص بك ، أي n_outputs ، في حالتك 2. اقتباس من مراجع التوثيق Forecast_proba n_outputs ، والتي تم تقديمها في التوثيق من أجل الملاءمة:

مناسب (ذاتي ، X ، ص [، وزن العينة])

y: (متفرق) مصفوفة تشبه الشكل (n_samples، n_outputs)

تمنحك المصفوفة الأولى 5 × 2 احتمالات عينات الاختبار الخمس المصنفة في الدرجة الأولى. بالإضافة إلى ذلك ، يخبرك العمود الأول من مصفوفة 5 × 2 "باحتمالية عدم تصنيف عينة الاختبار على أنها الفئة الأولى" ويخبرك العمود الثاني من هذه المصفوفة 5 × 2 "باحتمالية تصنيف عينة الاختبار على أنها الفئة الأولى ".

وبالمثل ، تمنحك المصفوفة الثانية 5 × 2 احتمالية تصنيف عينات الاختبار في الفئة الثانية.

إذا كنت تريد التحقق من ذلك ، يمكنك مقارنة القيمة في هذه المصفوفات مع النتائج من التنبؤ.

في بعض الأحيان ، قد تعطيك عودة التنبؤ_بروبا قائمة تحتوي على مصفوفات Nx1 ومصفوفات Nx2. إذا كان الأمر كذلك ، فلن يتم تصنيف أي بيانات اختبار في فئات Nx1 الممثلة.


تصور تاريخ التدريب النموذجي في Keras

يمكننا إنشاء قطع الأراضي من بيانات التاريخ التي تم جمعها.

في المثال أدناه ، أنشأنا شبكة صغيرة لنمذجة بداية الهنود البيما لمشكلة التصنيف الثنائي لمرض السكري. هذه مجموعة بيانات صغيرة متاحة من مستودع التعلم الآلي لـ UCI. يمكنك تنزيل مجموعة البيانات وحفظها بتنسيق بيما-الهنود-مرض السكري. csv في دليل العمل الحالي الخاص بك (التحديث: التحميل من هنا).

يجمع المثال التاريخ ، ويعاد من تدريب النموذج وينشئ مخططين:

  1. قطعة من الدقة على مجموعات بيانات التدريب والتحقق من الصحة على مدى فترات التدريب.
  2. قطعة من الخسارة في مجموعات بيانات التدريب والتحقق من الصحة على مدى فترات التدريب.

يتم توفير قطع الأراضي أدناه. يتم تصنيف تاريخ مجموعة بيانات التحقق من الصحة على أنها اختبار حسب الاصطلاح لأنها بالفعل مجموعة بيانات اختبار للنموذج.

من مخطط الدقة يمكننا أن نرى أنه من المحتمل أن يتم تدريب النموذج أكثر قليلاً لأن الاتجاه نحو الدقة في مجموعتي البيانات لا يزال يرتفع في الفترات القليلة الماضية. يمكننا أيضًا أن نرى أن النموذج لم يفرط في تعلم مجموعة بيانات التدريب ، مما يُظهر مهارة قابلة للمقارنة في كلا مجموعتي البيانات.

مؤامرة دقة النموذج في التدريب ومجموعات بيانات التحقق من الصحة

من مخطط الخسارة ، يمكننا أن نرى أن النموذج له أداء مشابه في كل من مجموعات بيانات القطار والتحقق من الصحة (الاختبار المسمى). إذا بدأت هذه الحبكات المتوازية في المغادرة باستمرار ، فقد تكون علامة على التوقف عن التدريب في حقبة سابقة.

مؤامرة فقدان النموذج في مجموعات بيانات التدريب والتحقق


Sklearn.pipeline. خط الأنابيب¶

قم بتطبيق قائمة التحويلات والمقدر النهائي بالتتابع. يجب أن تكون الخطوات الوسيطة لخط الأنابيب عبارة عن "تحويلات" ، أي يجب أن تنفذ أساليب ملائمة وتحويل. المقدر النهائي يحتاج فقط إلى تنفيذ الملاءمة. يمكن تخزين المحولات الموجودة في خط الأنابيب مؤقتًا باستخدام وسيطة الذاكرة.

الغرض من خط الأنابيب هو تجميع عدة خطوات يمكن التحقق من صحتها معًا أثناء تعيين معلمات مختلفة. لهذا ، فإنه يتيح تعيين معلمات للخطوات المختلفة باستخدام أسمائها واسم المعلمة مفصولاً بعلامة "__" ، كما في المثال أدناه. يمكن استبدال مقدر الخطوة بالكامل عن طريق تعيين المعلمة باسمها إلى مقدر آخر ، أو إزالة محول عن طريق تعيينه على "العبور" أو لا شيء.

قائمة مجموعات (الاسم ، التحويل) (تنفيذ الملاءمة / التحويل) المربوطة ، بالترتيب الذي تم ربطها به ، مع آخر كائن مقدر.

ذاكرة str أو كائن بواجهة joblib.Memory ، الافتراضي = لا شيء

تستخدم لتخزين المحولات المجهزة لخط الأنابيب. بشكل افتراضي ، لا يتم تنفيذ أي تخزين مؤقت. إذا تم إعطاء سلسلة ، فهي المسار إلى دليل التخزين المؤقت. يؤدي تمكين التخزين المؤقت إلى تشغيل نسخة من المحولات قبل تركيبها. لذلك ، لا يمكن فحص مثيل المحول المعطى لخط الأنابيب مباشرة. استخدم السمة المسماة بالخطوات أو الخطوات لفحص المقدرين داخل خط الأنابيب. يعد التخزين المؤقت للمحولات مفيدًا عندما يكون التركيب مضيعة للوقت.

مطول منطقي ، افتراضي = خطأ

إذا كان صحيحًا ، ستتم طباعة الوقت المنقضي أثناء ملاءمة كل خطوة عند اكتمالها.

صفات خطوات مسماة حزمة

كائن يشبه القاموس ، مع السمات التالية. سمة للقراءة فقط للوصول إلى أي معلمة خطوة بالاسم المحدد للمستخدم. المفاتيح هي أسماء الخطوات والقيم معلمات خطوات.


شاهد الفيديو: كيف نحدد كميه الطعام في الرجيم د ربى مشربش تغذية وحمية