可生成图片类型（推荐）
可生成数据表类型（推荐）
（→算法概述） |
（→算法概述） |
||
| 第29行： | 第29行： | ||
==算法概述== | ==算法概述== | ||
在信号处理中，采样是将连续时间信号转换为离散时间信号的过程。一个常见的例子是将声波转换为一系列“样本”。样本是在时间和/或空间中的某一点上信号的值；这个定义与统计学中用法不同，后者指的是这样的一组值。采样器是从连续信号中提取样本的子系统或操作。理论上的理想采样器在所需的点上产生等于连续信号瞬时值的样本。可以通过将样本序列通过重建滤波器进行处理，重建原始信号，直到奈奎斯特极限（Nyquist limit）<ref></ref>。 | 在信号处理中，采样是将连续时间信号转换为离散时间信号的过程。一个常见的例子是将声波转换为一系列“样本”。样本是在时间和/或空间中的某一点上信号的值；这个定义与统计学中用法不同，后者指的是这样的一组值。采样器是从连续信号中提取样本的子系统或操作。理论上的理想采样器在所需的点上产生等于连续信号瞬时值的样本。可以通过将样本序列通过重建滤波器进行处理，重建原始信号，直到奈奎斯特极限（Nyquist limit）<ref>{{cite web | ||
| title = Sampling | |||
| url = https://en.wikipedia.org/wiki/Sampling_(signal_processing) | |||
| access-date = 2024-01-23 | |||
}}</ref>。 | |||
==示例代码-采样方法节点== | ==示例代码-采样方法节点== | ||
2024年1月23日 (二) 11:11的版本
 | |
| 节点状态 |  /  Win10及以上可用在V1.0部署
|
|---|---|
采样方法  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | Sampler |
| 功能主类别 | 机器学习 |
| 英文缩写 | Sampler |
| 功能亚类别 | 分类训练器 |
| 节点类型 | 数据挖掘 |
| 开发语言 | Python |
| 节点简介 | |
用于多数据集的机器学习基础评估。包含混淆矩阵，准确度（Accuracy），F1-Score，Matthews Correlation Coefficient（MCC）等基础评估算法。 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 3个 |
| Output-出口 | 2个 |
| Loop-支持循环 | 否 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | 交叉验证结果整合 |
| 下一节点 | 决策树 |
算法概述
在信号处理中，采样是将连续时间信号转换为离散时间信号的过程。一个常见的例子是将声波转换为一系列“样本”。样本是在时间和/或空间中的某一点上信号的值；这个定义与统计学中用法不同，后者指的是这样的一组值。采样器是从连续信号中提取样本的子系统或操作。理论上的理想采样器在所需的点上产生等于连续信号瞬时值的样本。可以通过将样本序列通过重建滤波器进行处理，重建原始信号，直到奈奎斯特极限（Nyquist limit）[1]。
示例代码-采样方法节点
该节点使用Python编写，调用imblearn包[2]。以下为示例代码：
from imblearn.over_sampling import RandomOverSampler
from imblearn.under_sampling import RandomUnderSampler
sampler = RandomOverSampler()
sampler = RandomUnderSampler()
节点使用指南
- 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
- 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
变量配置
- 选择特征变量：作为特征进行学习的变量（X），多选。
- 选择目标变量：作为结局的二分类变量（y），单选。
参数配置
- 设置随机数：控制模型的随机性。
- 拆分质量评估方法选择：
- 'friedman mse',
- 'squared error'。
- 学习率：算法通过学习率缩小每棵树的贡献差距。默认值为0.1。
- Boosting次数：执行boosting算法的次数。梯度增强对于过度拟合是相当稳健的，因此大量通常会带来更好的性能。
- 子样本分数：用于拟合各个基础学习器的样本比例。如果小于 1.0，则会导致随机梯度提升。选择会导致方差减少和偏差增加。值必须在范围内。子样本分数取值范围(0.0, 1.0]。
- 损失函数算法选择：衡量分割质量的函数。支持的算法为
- 'exponential'，
- 'log_loss'。
- 最大深度：树的最大深度。如果没有，则扩展节点，直到所有叶子都是纯的或直到所有叶子包含少于"最小拆分样本数"的样本。
- 最小拆分样本数：分裂内部节点所需的最小样本数。
- 叶节点最小样本数：叶节点所需的最小样本数。该参数仅当任何深度的分割点在左右分支中至少留下训练样本时，才会被考虑。这可能具有使模型平滑的效果，尤其是在回归中。
- 最大特征数：寻找最佳分割时要考虑的特征数量。
- 最大叶节点数：以最佳优先的方式种植一棵树。最佳节点定义为杂质的相对减少。如果没有，则叶节点数量不受限制。
- 最小不纯度衰减阈值：如果分裂导致杂质减少大于或等于该值，则节点将被分裂。
注意事项
参考文献
- ↑ "Sampling". Retrieved 2024-01-23.
- ↑ Kramer, Oliver (2016). "Scikit-learn". Machine learning for evolution strategies. Springer: 45--53.
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
