Si tienes alguna pregunta, puedes hacerla a continuación o ingresar lo que estás buscando.
Obviamente, sé que agregar datos de validación haría que el entrenamiento tardara más, pero la diferencia de tiempo de la que hablo es absurda. El código anterior me lleva más de 30 minutos para entrenar, incluso cuando el tamaño de mi conjunto de datos de prueba es de 10,000 puntos . . . Read more
Estoy trabajando con un gran conjunto de datos (1,7 millones de muestras) y estoy intentando entrenar un clasificador. He tenido buenos resultados con el RandomForestClassifier de scikit-learn, y ahora quiero realizar un análisis de características de permutación en mi clasificador con el método permutation_importance de scikit-learn. Para ello, he puesto . . . Read more
Por favor, ayúdeme a iniciar mi proyecto de estudio en Python (mapa de ruta) que consiste en la implementación de un modelo que analice publicaciones de la red social Twitter y reconozca si se relacionan con una alerta de emergencia, como un desastre climático. Este modelo formaría parte de un . . . Read more
Clase CustomImageItemList(ImageList): def custom_label(self,df, **kwargs)->’LabelList’: “””Etiquetas personalizadas desde la ruta””” file_names=np.vectorize(lambda files: str(files).split(‘/’)[-1][:-4]) get_labels=lambda x: df.loc[x,’lesion’] #self.items es un np array de objetos PosixPath con cada ruta de imagen labels= get_labels(file_names(self.items)) y = CategoryList(items=labels) res = self._label_list(x=self,y=y) return res def get_data(bs, size): train_ds = (CustomImageItemList.from_folder(path, extensions=’.jpg’) .random_split_by_pct(0.15) .custom_label(df) .transform(tfms=get_transforms(flip_vert=True),size=size) .databunch(num_workers=2, . . . Read more
Tengo una predicción para x_test que tiene una forma de (x,8), actualmente quiero agregar 12 ceros para hacer que la forma sea (x,20). Ejemplo de muestra: [[0.10509943, 0.10455629, 0.12834423, 0.11941818, 0.18575186, 0.09807488], [0.10077468, 0.10279433, 0.11094123, 0.13126894, 0.17131188, 0.15274959], [0.18001982, 0.12355641, 0.12962402, 0.08898308, 0.13519354, 0.10686492], [0.23227005, 0.12867459, 0.09090935, 0.10579092, 0.11778245, 0.10694417], . . . Read more