开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何识别哪些特征会影响预测结果？

识别哪些特征会影响预测结果是一个重要的任务，它可以帮助我们理解和优化预测模型的性能。以下是一些常见的特征影响预测结果的因素：

数据质量：数据的准确性、完整性和一致性对预测结果有很大影响。如果数据存在错误、缺失或不一致，预测结果可能会出现偏差或误差。
特征选择：选择合适的特征对于预测结果的准确性至关重要。一些特征可能与目标变量高度相关，而其他特征可能对预测结果没有贡献。通过特征选择算法，可以确定哪些特征对于预测结果是有意义的。
特征缩放：不同的特征可能具有不同的尺度和范围。如果不进行特征缩放，那些具有较大值范围的特征可能会对预测结果产生更大的影响。常见的特征缩放方法包括标准化和归一化。
特征相关性：特征之间的相关性可能会导致多重共线性问题，从而影响预测结果的稳定性和可解释性。通过分析特征之间的相关性，可以识别出那些高度相关的特征，并考虑对其进行处理或删除。
特征工程：特征工程是指通过对原始数据进行变换、组合和创建新特征来提取更有意义的特征。良好的特征工程可以提高预测模型的性能，而不良的特征工程可能会引入噪声或冗余信息，影响预测结果。
模型选择和参数调优：不同的预测模型具有不同的特性和假设，对于不同类型的数据和问题，选择合适的模型非常重要。同时，模型的参数设置也会对预测结果产生影响。通过比较不同模型和调整参数，可以找到最佳的预测模型。

总结起来，识别哪些特征会影响预测结果需要考虑数据质量、特征选择、特征缩放、特征相关性、特征工程以及模型选择和参数调优等因素。通过综合考虑这些因素，可以提高预测模型的准确性和稳定性。

腾讯云相关产品和产品介绍链接地址：

数据质量管理：https://cloud.tencent.com/product/dqm
机器学习平台：https://cloud.tencent.com/product/tiia
数据处理与分析：https://cloud.tencent.com/product/dpa
智能推荐引擎：https://cloud.tencent.com/product/ire
自然语言处理：https://cloud.tencent.com/product/nlp
图像识别与处理：https://cloud.tencent.com/product/tii
人脸识别与分析：https://cloud.tencent.com/product/face

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

输入两张“怪异”图像，VGG、Inception、ResNet集体翻车，经典图像分类模型有多脆弱？

VGG是一款经典图像分类算法。图像分类是计算机视觉技术的基础任务，比如给定一张图像，判断它是猫、狗、飞机，还是建筑。

03

想搞机器学习，不会特征工程？

引言在之前学习机器学习技术中，很少关注特征工程(Feature Engineering)，然而，单纯学习机器学习的算法流程，可能仍然不会使用这些算法，尤其是应用到实际问题的时候，常常不知道怎么提取特征来建模。特征是机器学习系统的原材料，对最终模型的影响是毋庸置疑的。特征工程的重要意义数据特征会直接影响你使用的预测模型和实现的预测结果。准备和选择的特征越好，则实现的结果越好。影响预测结果好坏的因素：模型的选择、可用的数据、特征的提取。优质的特征往往描述了数据的固有结构。大多数模型都可以通过数据中

03

AAAI 2020 | 从边界到文本—一种任意形状文本的检测方法

本文对华中科大、阿里巴巴合作完成的、发表在AAAI 2020的论文《All You Need Is Boundary: Toward Arbitrary-Shaped Text Spotting》进行解读。

01

百度发布首个集分析与增强于一体的可信AI工具集TrustAI

5月20日，在WAVE SUMMIT 2022深度学习开发者峰会上,百度发布首个集可信分析和增强于一体的可信AI工具集-TrustAI，帮助NLP领域开发者了解神经网络模型的预测机制，构建更加可信、效果更强的模型，助力神经网络模型更安全、可靠地落地于实际应用中。

02

【机器学习】特征工程

作者：JasonDing1354 引言在之前学习机器学习技术中，很少关注特征工程(Feature Engineering)，然而，单纯学习机器学习的算法流程，可能仍然不会使用这些算法，尤其是应用到实际问题的时候，常常不知道怎么提取特征来建模。特征是机器学习系统的原材料，对最终模型的影响是毋庸置疑的。特征工程的重要意义数据特征会直接影响你使用的预测模型和实现的预测结果。准备和选择的特征越好，则实现的结果越好。影响预测结果好坏的因素：模型的选择、可用的数据、特征的提取。优质的特征往往描述了数据的固有

05

人脸识别技术介绍和表情识别最新研究

人脸识别作为一种生物特征识别技术，具有非侵扰性、非接触性、友好性和便捷性等优点。早在二十世纪初期，人脸识别已经出现，于二十世纪中期，发展成为独立的学科。人脸识别真正进入应用阶段是在90年代后期。人脸识别属于人脸匹配的领域，人脸匹配的方法主要包括特征表示和相似性度量。

02

人脸识别技术介绍和表情识别最新研究

人脸识别作为一种生物特征识别技术，具有非侵扰性、非接触性、友好性和便捷性等优点。早在二十世纪初期，人脸识别已经出现，于二十世纪中期，发展成为独立的学科。人脸识别真正进入应用阶段是在90年代后期。人脸识别属于人脸匹配的领域，人脸匹配的方法主要包括特征表示和相似性度量。

02

Nat. Rev. Genet. | 通过可解释人工智能从深度学习中获得遗传学见解

今天为大家介绍的是来自Maxwell W. Libbrecht，Wyeth W. Wasserman和Sara Mostafavi的一篇关于人工智能对于基因组学的可解释性的研究的综述。基于深度学习的人工智能（AI）模型现在代表了基因组学研究中进行功能预测的最先进水平。然而，模型预测的基础往往是未知的。对于基因组学研究人员来说，这种缺失的解释性信息往往比预测本身更有价值，因为它可以使人们对遗传过程有新的认识。作者回顾了可解释人工智能（xAI）新兴领域的进展，以启发生命科学研究人员对复杂深度学习模型的洞察力。之后，作者分类讨论了模型解释的方法，包括直观地理解每种方法的工作原理及其在典型高通量生物数据集中的基本假设和局限性。

02

机器学习与神经影像：评估它在精神病学中的应用

精神疾病是复杂的，涉及不同的症状学和神经生物学，很少涉及单一的、孤立的大脑结构的破坏。为了更好地描述和理解精神疾病的复杂性，研究人员越来越多地将多元模式分类方法应用于神经成像数据，特别是监督机器学习方法。然而，监督机器学习方法也有独特的挑战和权衡，需要额外的研究设计和解释考虑。本综述的目的是提供一套评估机器学习应用于精神障碍的最佳实践。我们将讨论如何评估两种共同的努力:1)作出可能有助于诊断、预后和治疗的预测;2)询问精神病理学背后复杂的神经生理机制。我们在这里重点讨论机器学习应用于功能连接与磁共振成像，作为一个基础讨论的例子。我们认为，为了使机器学习分类对个体水平的预测具有转化效用，研究人员必须确保分类具有临床信息性，独立于混杂变量，并对性能和泛化性进行适当评估。我们认为，要想揭示精神疾病的复杂机制，需要考虑机器学习方法识别的神经成像特征(如区域、网络、连接)的独特效用、可解释性和可靠性。最后，我们讨论了大型、多站点、公开可用的数据集的兴起如何有助于机器学习方法在精神病学中的应用。

00

前沿综述 | 机器学习在医学中的应用

此前，小编为大家整理过一篇BT与IT融合的综述文章 👉 深度学习在生物科学领域的应用，这次姐妹篇来咯！《Computers in Biology and Medicine 》在今年3月在线发表了一篇综述文章，回顾了医学领域使用机器学习（ML）的情况；介绍了标准技术及其对医学诊断的影响；深入讨论了五种主要的医学应用（癌症、医学化学、大脑、医学成像和可穿戴传感器）中的问题；同时提供了该领域潜在的研究可能性和未来的举措。机器学习（ML）已被广泛应用于解决各种复杂的挑战，如医疗、金融、环境、营销、安全和工业等

02

前沿综述 | 机器学习在医学中的应用

此前，小编为大家整理过一篇BT与IT融合的综述文章 👉 深度学习在生物科学领域的应用，这次姐妹篇来咯！《Computers in Biology and Medicine 》在今年3月在线发表了一篇综述文章，回顾了医学领域使用机器学习（ML）的情况；介绍了标准技术及其对医学诊断的影响；深入讨论了五种主要的医学应用（癌症、医学化学、大脑、医学成像和可穿戴传感器）中的问题；同时提供了该领域潜在的研究可能性和未来的举措。机器学习（ML）已被广泛应用于解决各种复杂的挑战，如医疗、金融、环境、营销、安全和工业等

01

Rebeco：使用机器学习预测股票崩盘风险

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。作者：Laurens Swinkels，PhD 今天公众号为大家分享一篇Rebeco的最新文章。关于大数据和机器学习的重大发展正在推动量化投资的前沿。计算能力的增强促进了机器学习模型的部署和使用。与基于规则的模型相比，这些模型采用完全数据驱动的方法，能够对复杂的非线性关系建

03

人工智能（XAI）可解释性的研究进展！

本文从数据为中心的角度，研究了数据收集、处理和分析如何有助于可解释的人工智能（XAI）。将现有工作分为三类，分别服务于对深度模型的解释、对训练数据的启示和对领域知识的洞察，并提炼出针对不同模式的数据挖掘操作和DNN行为描述符的数据挖掘方法，提供了一个全面的、以数据为中心的XAI从数据挖掘方法和应用的角度进行的考察。

01

每日学术速递4.15（全新改版）

作者： Dimitrios Michail, Lefki-Ioanna Panagiotou, Charalampos Davalas, Ioannis Prapas, Spyros Kondylatos, Nikolaos Ioannis Bountos, Ioannis Papoutsis

01

数据挖掘算法与现实生活中的应用案例

“如何分辨出垃圾邮件”、“如何判断一笔交易是否属于欺诈”、“如何判断红酒的品质和档次”、“扫描王是如何做到文字识别的”、“如何判断佚名的著作是否出自某位名家之手”、“如何判断一个细胞是否属于肿瘤细胞”

06

500张训练样本攻破验证码？蚂蚁金服提自监督表征学习识别方法

导语：国际顶级会议WWW 2020将于4月20日至24日举行。始于1994年的WWW会议，主要讨论有关Web的发展，其相关技术的标准化以及这些技术对社会和文化的影响，每年有大批的学者、研究人员、技术专家、政策制定者等参与。以下是蚂蚁金服的资深技术专家对入选论文《A Generic Solver Combining Unsupervised Learning and Representation Learning for Breaking Text-Based Captchas》做出的深度解读。

02

个性化大脑连接组指纹：它们在认知中的重要性

人脑的神经网络结构模式可能与个体在表型、行为、遗传决定因素和神经精神障碍的临床结果方面的差异有关。最近的研究表明，个性化的神经(大脑)指纹可以从大脑的结构连接体中识别出来。然而，个性化指纹在认知方面的准确性、可重复性和翻译潜力尚未完全确定。在本研究中，我们引入了一种动态连接体建模方法来识别一组关键的白质子网络，可以用作个性化指纹。我们进行了几个个体变量评估，以证明个性化指纹的准确性和实用性，特别是预测中年成年人的身份和智商，以及幼儿的发育商。我们的发现表明，我们的动态建模方法发现的指纹足以区分个体，也能够预测整个人类发展的一般智力能力。

02

人工智能中的监督学习到底是啥？其应用方向有哪些？

人工智能（Artificial Intelligence, AI）是一门致力于使机器能够像人类一样进行智能决策和行为的学科。监督学习（Supervised Learning）是人工智能领域中的一种重要学习方式，通过使用标注好的样本数据来训练模型，从而使模型能够预测新的未标注样本的输出。在监督学习中，数据集中包含了输入特征和对应的标签，模型通过学习这些标签与输入特征之间的关联关系，从而进行预测和分类。

03

Nature medicine：基于可穿戴运动追踪数据早期识别帕金森疾病

摘要：帕金森病是一种具有长期潜伏期的神经退行性运动障碍，目前尚无治疗方法。可靠的预测性生物标志物可能会改变开发神经保护治疗的努力，但仍有待确定。利用UK Biobank，我们研究了加速度计在普通人群中识别前驱帕金森病的预测价值，并将这种数字生物标志物与基于遗传、生活方式、血液生化或前驱症状数据的模型进行了比较。使用加速度计数据训练的机器学习模型在区分临床诊断的帕金森病和诊断前7年的前驱帕金森病与普通人群方面的测试性能优于所有其他测试模。加速度计是一种潜在的重要、低成本的筛查工具，用于确定有患帕金森病风险的人，并确定神经保护治疗临床试验的参与者。

02

数据挖掘与生活：算法分类和应用

相对于武汉，北京的秋来的真是早，九月初的傍晚，就能够感觉到丝丝丝丝丝丝的凉意。最近两件事挺有感觉的。看某发布会，设计师李剑叶的话挺让人感动的。“**的设计是内敛和克制的...。希望设计成为一种，可以被忽略的存在感”。其次，有感于不断跳Tone的妇科圣手，冯唐，“有追求、敢放弃”是他的标签。 ---- “如何分辨出垃圾邮件”、“如何判断一笔交易是否属于欺诈”、“如何判断红酒的品质和档次”、“扫描王是如何做到文字识别的”、“如何判断佚名的著作是否出自某位名家之手”、“如何判断一个细胞是否属于肿瘤细胞”等等

05

【数据挖掘】系统如何分辨出垃圾邮件? 数据挖掘算法与现实生活中的应用案例

相对于武汉，北京的秋来的真是早，九月初的傍晚，就能够感觉到丝丝丝丝丝丝的凉意。最近两件事挺有感觉的。看某发布会，设计师李剑叶的话挺让人感动的。“**的设计是内敛和克制的…。希望设计成为一种，可以被忽略的存在感”。其次，有感于不断跳Tone的妇科圣手，冯唐，“有追求、敢放弃”是他的标签。 “如何分辨出垃圾邮件”、“如何判断一笔交易是否属于欺诈”、“如何判断红酒的品质和档次”、“扫描王是如何做到文字识别的”、“如何判断佚名的著作是否出自某位名家之手”、“如何判断一个细胞是否属于肿瘤细胞”等等，这些问题似乎

08

【数据挖掘】数据挖掘与生活：算法分类和应用

“如何分辨出垃圾邮件”、“如何判断一笔交易是否属于欺诈”、“如何判断红酒的品质和档次”、“扫描王是如何做到文字识别的”、“如何判断佚名的著作是否出自某位名家之手”、“如何判断一个细胞是否属于肿瘤细胞”等等，这些问题似乎都很专业，都不太好回答。但是，如果了解一点点数据挖掘（Data Mining）的知识，你，或许会有柳暗花明的感觉。的确，数据挖掘无处不在。它和生活密不可分，就像空气一样，弥漫在你的周围。但是，很多时候，你并不能意识到它。因此，它是陌生的，也是熟悉的。本文，主要想简单介绍下数据挖掘中的算法，

09

计算机安全深度学习的白盒解释方法

随着深度学习在计算机安全领域越来越受到重视，不同类型的神经网络已被集成到安全系统中，以完成恶意软件检测，二进制分析，以及漏洞发现等多种任务。然而，神经网络的预测结果难以得到解释，例如难以确定输入数据的哪些特征对预测结果产生贡献，这一定程度上影响到了深度学习方法的应用。已有研究人员通过近似神经网络的决策函数来确定不同特征对预测结果的贡献，如LEMNA方法，并已在不同的安全应用中取得了良好的效果。该方法是一种忽略神经网络结构的黑盒方法，因此也损失了部分能够用来解释预测结果的重要信息。通常情况下，预测和解释都是基于同一个神经网络，因此神经网络的结构信息通常是已知的。在此基础上，可以尝试使用白盒解释方法来理解预测结果，并将这类方法应用于计算机安全领域。

03

【生物识别】2020年银行领域的生物识别市场将达110亿美元

市场研究公司Goode Intelligence总结了生物识别技术在金融服务领域的五大应用趋势。该公司预测，到2020年该领域的市场规模将达110亿美元。该公司强调，其中一个应用趋势是生物特征身份识别技术在ATM机上的使用。虽然这方面的应用只处于萌芽阶段，但生物特征身份识别技术的使用很可能会对美国各大银行开发的配有近距离通信设备的移动ATM机产生重大影响。这关系到另一大主要应用趋势，即移动支付平台将大大增加，其中做得最好的支付平台已经依赖于生物特征身份识别技术完成各项交易。 Goode Intellige

03

PNAS | 基于结构感知图卷积网络预测蛋白酶特异性功能

今天为大家介绍的是来自Sagar D. Khare团队的一篇论文。酶具有精确和选择性地读取、编写和编辑DNA的能力，已经彻底改变了生物化学科学和技术。如果能够获得类似的酶，用于有选择性地“编辑”蛋白质，将产生广泛的影响。

01

SSHFD：IBM提出的单阶段人体跌倒检测网络

论文地址：http://xxx.itp.ac.cn/pdf/2004.00797v2

02

Bioinformatics | XRRpred:根据蛋白质序列精确预测晶体结构质量

今天给大家介绍的是Sina Ghadermarzi等人发表在Bioinformatics上的一篇文章“XRRpred: accurate predictor of crystal structure quality from protein sequence”。目前，用x射线晶体学产生的蛋白质结构的质量差异很大。作者提出了XRRpred预测模型直接根据蛋白质序列预测分辨率和R-free（结构质量的两种度量）并提供了web服务器，允许批量预测并提供结果的信息可视化。作者证明了XRRpred的预测正确地模拟了分辨率和R-free之间的关系，并再现了蛋白质结构类别之间的结构质量关系，并为常见的同一蛋白质的结构集群的最佳结构质量提供了线索。测试表明，XRRpred显著优于其他间接方法来预测结构质量，例如基于结晶倾向的预测。

03

Bioinformatics | XRRpred:根据蛋白质序列精确预测晶体结构质量

今天给大家介绍的是Sina Ghadermarzi等人发表在Bioinformatics上的一篇文章“XRRpred: accurate predictor of crystal structure quality from protein sequence”。目前，用x射线晶体学产生的蛋白质结构的质量差异很大。作者提出了XRRpred预测模型直接根据蛋白质序列预测分辨率和R-free（结构质量的两种度量）并提供了web服务器，允许批量预测并提供结果的信息可视化。作者证明了XRRpred的预测正确地模拟了分辨率和R-free之间的关系，并再现了蛋白质结构类别之间的结构质量关系，并为常见的同一蛋白质的结构集群的最佳结构质量提供了线索。测试表明，XRRpred显著优于其他间接方法来预测结构质量，例如基于结晶倾向的预测。

01

数据挖掘与生活：算法分类和应用

“如何分辨出垃圾邮件”、“如何判断一笔交易是否属于欺诈”、“如何判断红酒的品质和档次”、“扫描王是如何做到文字识别的”、“如何判断佚名的著作是否出自某位名家之手”、“如何判断一个细胞是否属于肿瘤细胞”等等，这些问题似乎都很专业，都不太好回答。但是，如果了解一点点数据挖掘（Data Mining）的知识，你，或许会有柳暗花明的感觉。的确，数据挖掘无处不在。它和生活密不可分，就像空气一样，弥漫在你的周围。但是，很多时候，你并不能意识到它。因此，它是陌生的，也是熟悉的。本文，主要想简单介绍下数据挖掘中的算法，

04

Bioinformatics | 通过序列与结构信息识别小分子与RNA的结合位点

今天给大家介绍南开大学杨建益教授等人在Bioinformatics上发表的文章“Recognition of smallmolecule–RNA binding sites using RNA sequence and structure”。

01

传统特征选择（非因果特征选择）和因果特征选择的异同

传统特征选择（非因果特征选择）和因果特征选择是两种不同的特征选择方法，它们在目标、方法和应用场景上有所区别。

00

SFFAI分享 | 黄健：语音情感识别【附PPT与视频资料】

黄健，中国科学院自动化研究所模式识别国家重点实验室15级硕博生。目前研究兴趣为多模态情感识别。博士期间在ACMMM，ICASSP，Interspeech等会议上发表多篇论文。曾获中国科学院大学三好学生称号。

03

深度学习：实际问题解决指南

当你想进行预测的时候，使用深度学习要比其他机器学习技术更快更有效。深度学习是一门快速发展的学科，它将数据中高层次化的模式建模成复杂的多层网络。因为这是建模一个问题最一般的方法，深度学习拥有这解决大部分机器学习和人工智能领域问题的潜力。类似微软、谷歌这样的公司使用深度学习来解决诸如语音识别，图像识别，三维物体识别，和自然语言处理等领域的难题。然而，深度学习需要进行大量的计算来构建一个有用的模型。到目前为止，计算成本和可用性限制了其实际应用。此外，研究人员缺乏理论基础和将深度学习运用到实际问题之中的经验知识

06

硕士论文研究「AI预测性取向」：化妆等因素并不影响判断

这项技术可以无视人类的服装、化妆、拍摄角度等变量，实现男性 63%、女性 72% 的准确率。准确率比人类更好，并不再受到受试者种族、国籍的干扰。现在，乔装打扮也不会让你变得更 Gay 了。

02

每个机器学习项目必须经过的五个阶段

机器学习和预测分析在我们今天的生活中非常普遍。它几乎可以影响我们所做的一切，包括零售和批发定价，消费者习惯和行为，市场营销，娱乐，医药，物流，游戏，AI语音识别，AI图像识别，自驾车和机器人。然而，无论你是在创造一辆自动驾驶汽车，预测客户流失，还是创建一个产品推荐系统，所有的机器学习项目都遵循相同的流程和五个基本的阶段。阶段1：数据收集数据是新的石油，它正在迅速成为世界上最有价值的商品，因为它促进了机器学习项目。没有数据，就没有机器学习，也没有预测分析。就像石油的拥有等级一样，数据一样拥有等级。最好的

05

算法太多挑花眼？教你如何选择正确的机器学习算法

机器学习既是一门科学，也是一种艺术。纵观各类机器学习算法，并没有一种普适的解决方案或方法。事实上，有几个因素会影响你对机器学习算法的选择。

00

AI 预测性取向，化妆等因素并不影响判断

2017 年，斯坦福大学的一篇《深度学习通过面部识别判断性取向超越人类》曾引发了极大争议，其通过 AI 算法仅需「看面相」即可判断一个人是不是同性恋的方法让众人感到一丝恐慌，也让技术研究者们对于算法的偏见提出了很多意见。

02

教程 | 算法太多挑花眼？教你如何选择正确的机器学习算法

机器学习既是一门科学，也是一种艺术。纵观各类机器学习算法，并没有一种普适的解决方案或方法。事实上，有几个因素会影响你对机器学习算法的选择。

01

深度学习：实际问题解决指南

当你想进行预测的时候，使用深度学习要比其他机器学习技术更快更有效。深度学习是一门快速发展的学科，它将数据中高层次化的模式建模成复杂的多层网络。因为这是建模一个问题最一般的方法，深度学习拥有这解决大部分机器学习和人工智能领域问题的潜力。类似微软、谷歌这样的公司使用深度学习来解决诸如语音识别，图像识别，三维物体识别，和自然语言处理等领域的难题。然而，深度学习需要进行大量的计算来构建一个有用的模型。到目前为止，计算成本和可用性限制了其实际应用。此外，研究人员缺乏理论基础和将深度学习运用到实际问题之中的经验知识

AI前沿｜结合深度学习和类比预报预测极端天气

基于类比预报、深度学习模式识别技术和基于影响的自动标签策略构建数据驱动框架预测极端天气。训练数据来自大集合的全耦合地球系统模式，并利用标注后的对流层中部的大尺度环流形势（Z500）训练CapsNets，同时利用地面温度和Z500同时训练神经网络模型时，准确率能达到80%左右，而召回率在88%左右。CapsNets的结果优于卷积神经网络和逻辑回归方法的结果。

01

专访 | 五一出游赏花，如何优雅地解释百度细粒度识别方案

机器之心原创作者：思源近日，百度发布了用于花卉识别的移动端应用，这种基于全卷积注意力网络的细粒度识别方法在计算和准确度上都有非常强大的优势。在百度主任研发架构师陈凯和资深研发工程师胡翔宇的解释下，本文首先将介绍什么是细粒度识别，以及一般的细粒度识别方法，然后重点解析百度基于强化学习和全卷积注意力网络的细粒度识别模型。五一出游赏花，为女朋友解释解释细粒度识别也是极好的。细粒度识别的概念其实非常简单，即模型需要识别非常精细的子类别。例如百度的花卉识别应用，模型不仅需要如一般识别问题那样检测出物体是不是

03

转：探索监控软件中数据挖掘算法的准确性、可扩展性及应用

数据挖掘算法在监控软件中扮演着关键角色，可以用于从海量的监控数据中发现有价值的信息、模式和趋势。以下是关于数据挖掘算法在监控软件中准确性、可扩展性及应用的一些考虑因素。

02

Bioinformatics | MICER: 用于分子图像字幕的预训练编码-解码架构

今天给大家介绍中南大学曹东升教授/国防科技大学赵文涛教授、吴城堃教授/浙江大学侯廷军教授团队共同在国际期刊Bioinformatics上发表的分子图片识别的文章《MICER: A Pre-trained Encoder-Decoder Architecture for Molecular Image Captioning》。该文章受编码器-解码器架构的启发，提出了MICER分子图像识别架构，结合迁移学习、注意力机制和几种数据构造策略增强不同数据集的有效性和可塑性；并评估了不同因素对该架构的影响以及数据集错误分析，为后续研究提供方向。该方法在构造的数据集以及基准测试集上较传统的方法取得了显著的提升。

02

JMC｜用于化合物优化中性质预测的可解释机器学习

大多数最先进的 ML 模型都具有黑匣子特性。在ML 模型的预测性能和解释能力之间通常需要权衡。

01

时间序列的建模新思路：清华、李飞飞团队等提出强记忆力E3D-LSTM网络

【导读】如何对时间序列进行时空建模及特征抽取，是RGB视频预测分类，动作识别，姿态估计等相关领域的研究热点。清华大学、Google AI 和斯坦福大学李飞飞团队提出了一种具有强记忆力的E3D-LSTM网络，用3D卷积代替2D卷积作为LSTM网络的基础计算操作，并加入自注意力机制，使网络能同时兼顾长时和短时信息依赖以及局部时空特征抽取。这为视频预测、动作分类等相关问题提供了新思路，是一项非常具有启发性的工作。

07

机器学习概述

请注意，本文编写于 982 天前，最后修改于 982 天前，其中某些信息可能已经过时。

02

CVPR 2021 | dMaSIF：基于蛋白质表面信息的高效端到端表征学习

今天给大家介绍发表在CVPR2021上的一项工作。在这项工作中，作者提出了一个新的蛋白质结构深度学习框架。该方法将蛋白质原子原始 3D 坐标和化学类型作为输入，利用原子点云和高效几何卷积层实时计算和采样分子表面，以端到端的方式学习蛋白质结构特征。实验证明，在相互作用位点识别和蛋白质-蛋白质相互作用预测两项任务中，该方法以更快的运行时间和更少的参数实现了最先进的性能。

03

第四次产业革命：始于人工智能 | 周末长文

T客汇官网：tikehui.com 撰文 | 徐婧欣「最近十年，我们一直在建立一个移动优先（mobile-first）的世界，而接下来的十年里，我们的将转向人工智能优先（AI-first）的世界。」

06

Nat. Rev. Drug Discov. | 基于图像的药物发现

今天给大家介绍一篇发表在Nature reviews. Drug discovery的综述，该综述中阐述了基于图像的画像分析在药物发现上的应用。基于图像的画像分析（Image- based profiling）是一种将生物图像中的丰富信息减少为多维画像的分析策略。通过为相关模式挖掘画像分析，可以揭示出未知的生物学活性，这对于药物发现过程中的识别与疾病相关的可筛选表型、了解疾病机制并预测药物活性、毒性或相互左右等许多步骤都是有用的。机器学习的方法可以更好地利用基于图像的信息，从而加速药物发现。

01

学界 | CVPR 2018接收论文公布，上海交通大学6篇论文简介

机器之心报道作者：吴欣不久之前，CVPR 2018 论文接收列表公布。据机器之心了解，上海交通大学电子系人工智能实验室倪冰冰教授课题组有 6 篇论文入选，本文对这几篇论文做了简介，更多详细内容可通过论文网盘链接下载查看。 CVPR 2018 论文接收列表：http://cvpr2018.thecvf.com/files/cvpr_2018_final_accept_list.txt Paper 1：《Fine-grained Video Captioning for Sports Narrative》

08

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭