psi

第九章: 镜像下降法 文章目录 第九章: 镜像下降法 1. 从投影次梯度法到镜像下降法 2. 收敛性分析 2.1 分析工具 2.2 固定迭代数目的步长选取准则 2.3 变步长准则 3. 求解组合模型的镜像下降法——镜像-C算法 本章讨论 镜像下降法 (mirror descent method, MDM)及其变体. 镜像下降实际上是 PSGM在非欧情形下的推广 . 因此本章的讨论不再限制在欧式空间中. 1. 从投影次梯度法到镜像下降法 考虑优化问题 ( P ) min ⁡ { f ( x ) : x ∈ C } . (\mathrm{P})\quad\min\{f(\mathbf{x}):\mathbf{x}\in C\}. ( P ) min { f ( x ) : x ∈ C } . 我们对其做如下假设: 假设条件1 (i) f : E → ( − ∞ , ∞ ] f:\mathbb{E}\to(-\infty,\infty] f : E → ( − ∞ , ∞ ] 是正常闭凸函数; (ii) C ⊂ E C\subset\mathbb{E} C ⊂ E 是非空闭凸集; (iii) C ⊂ i n t ( d o m ( f ) ) C\subset\mathrm{int}(\mathrm{dom}(f)) C ⊂ i n t ( d o m ( f ) ) ; (iv) 问题

一、安装 A）下载地址： https://github.com/psi-probe/psi-probe/releases B）相关配置 修改tomcat配置文件/conf/tomcat-users.xml 开启JMX远程监控 如果是windows下，则修改conf/catalina.bat并添加set JAVA_OPTS=% JAVA_OPTS %-Dcom.sun.management.jmxremote 如果是linux下，则修改conf/catalina.sh并添加JAVA_OPTS=$JAVA_OPTS" -Dcom.sun.management.jmxremote" C）将下载好的probe.war文件放入tomcat/webapps目录下 D）重启Tomcat加载probe工程 二、访问 访问地址 http://ip:port/probe，用户名密码为tomcat-users.xml 中配置的账号密码tomcat，tomcat 三、参数说明 参数说明请参考： https://www.cnblogs.com/sunfie/p/10357052.html 四、注意事项 A）jdk1.7只能使用probe 3.0.0及其之前的版本，之后的版本需要配合jdk1.8 B）以上配置方法仅适用非服务启动方式 来源： CSDN 作者： weicheng3016 链接： https:/

由于模型是以特定时期的样本所开发的，此模型是否适用于开发样本之外的族群，必须经过稳定性测试才能得知。稳定度指标(population stability index ,PSI)可衡量测试样本及模型开发样本评分的的分布差异，为最常见的模型稳定度评估指针。其实PSI表示的就是按分数分档后，针对不同样本，或者不同时间的样本，population分布是否有变化，就是看各个分数区间内人数占总人数的占比是否有显著变化。公式如下： 这里的AC与EX为不同时间段的模型输出分数，如果PSI过大，说明模型输出的分数分布变化很大了，需要更新模型。 PSI实际应用范例： 1）样本外测试 　　针对不同的样本测试一下模型稳定度，比如训练集与测试集，也能看出模型的训练情况，我理解是看出模型的方差情况。 2）时间外测试 　　测试基准日与建模基准日相隔越远，测试样本的风险特征和建模样本的差异可能就越大，因此PSI值通常较高。至此也可以看出模型建的时间太长了，是不是需要重新用新样本建模了。 变量的PSI计算： PSI：检验变量的稳定性，当一个变量的psi值大于0.0001时，变量不稳定。一个变量，将它的取值按照分位数来分组一下，每一组中测试模型的客户数占比减去训练模型中的客户数占比再乘以这两者相除的对数，就是这一组的稳定性系数psi，然后变量的psi系数就是把这个变量的所有组的psi相加总起来。 https:/

L a T e X \mathtt{LaTeX} L a T e X 入门 数学公式的插入 将数学公式写在 $ $ 之间，代表的是插入行内数学公式（通常称为行内模式）。 将数学公式写在 $$ $$ 之间，会使公式独立成一行并强制居中（通常称为独立模式）。 声调 / / / 变音符号 $\dot{a} \ddot{a} \acute{a} \grave{a}$ a ˙ a ¨ a ˊ a ˋ \quad\dot{a}\quad\ddot{a}\quad\acute{a}\quad\grave{a} a ˙ a ¨ a ˊ a ˋ $\check{a} \breve{a} \tilde{a} \bar{a}$ a ˇ a ˘ a ~ a ˉ \quad\check{a}\quad\breve{a}\quad\tilde{a}\quad\bar{a} a ˇ a ˘ a ~ a ˉ $\hat{a} \widehat{a} \vec{a}$ a ^ a ^ a ⃗ \quad\hat{a}\quad\widehat{a}\quad\vec{a} a ^ a a 标准函数 $\exp_a b=a^b \exp b=e^b 10^m$ exp ⁡ a b = a b exp ⁡ b = e b 1 0 m \quad\exp_a b=a^b\quad\exp b=e^b\quad10^m

在统计学里，对特定变量之间的关系进行建模、分析最常用的手段之一就是回归分析。回归分析的输出变量通常记做 Y ，也称为因变量(dependent)、响应变量(response)、被解释变量(explained)、被预测变量(predicted)、从属变量(regressand)；输入变量通常记做 x 1 ,…, x p ，也称为自变量(independent)、控制变量(control&controlled)、解释变量(explanatory)、预测变量(predictor)、回归量(regressor)。本文根据作者自己的一些学习心得和理解，简单且不严格地介绍在模型假设方面普通线性模型和广义线性模型的区别和联系/推广(generalization)。广义线性模型的拟合检验、推断、诊断等方面的方法和手段依赖于模型所采用的分布类型，难以一概而论，将在作者后续的学习心得文章里具体介绍。 1.普通线性模型的简单回顾 普通线性模型(ordinary linear model)可以用下式表示： Y = β 0 + β 1 x 1 + β 2 x 2 + … + β p − 1 x p − 1 + ϵ (1.1) 这里 β i ， i = 1 ,…, p − 1 称为未知参数， β 0 称为截矩项。 普通线性模型的假设主要有以下几点： 1.响应变量 Y 和误差项 ϵ 正态性：响应变量 Y

经过第四周关于交流电机的学习，我们通过对起调速特性的了解，进行仿真： 控制电机带重物上升，从静止加速到800r/min 保持800r/min匀速运动0.5s， 减速到静止，保持静止状态0.5s， 带重物下降，从静止达到600r/min 保持600r/min匀速运动0.6s， 减速到静止。 (为了便于仿真，匀速和静止持续时间较短) 分析：这里，由于自耦降压启动具有K值方便直接调节的特点，所以我们采用此种启动方法。由于变频调速具有调速范围广、平滑性好、能耗小无级调速，故采用变频调速。制动采用相对方便的反接制动。 参数：我们需要设置K，a,b,c 4个参数，由于不方便计算，都是通过观察图像进行调试，从而得出近似值。我是将K先固定，通过调节a,使转速稳定时接近800，调节b,使其接近制动，调节c，使转速稳定时接近600. 从而我这里得出的参数K=0.8，a=0.54,b=0.07,c=0.405. 代码： model SACIM "A Simple AC Induction Motor Model" type Voltage=Real(unit="V"); type Current=Real(unit="A"); type Resistance=Real(unit="Ohm"); type Inductance=Real(unit="H"); type Speed=Real(unit="r

Psi Probe 安装及使用说明 这是一款 Tomcat 管理和监控工具， PSI Probe一直更新至今。下载地址：github：https://github.com/psi-probe/psi-probe/releases,并选择最新的Probe.war包 前配置修改 修改bin/catalina.bat文件，加上： SET "JAVA_OPTS=%JAVA_OPTS% -Dcom.sun.management.jmxremote" 在catalina.bat文件中第一个出现JAVA_OPTS的下一行加上该内容即可 修改conf/下的tomcat-users.xml文件,没有则新建： <role rolename="manager"/> <role rolename="tomcat"/> <role rolename="manager-gui"/> <user username="tomcat" password="123456" roles="manager,tomcat,manager-gui"/> 登录管理页面 http://localhost :8080/probe/，输入用户名密码进入。 主要功能介绍： 1. 应用列表 此页中展示所有部署于此Tomcat实例中的应用程序，并列出基本信息 请求：此应用自启动起处理的请求总数 会话：此应用当前活动的会话数

风控建模一：变量筛选 一 变量自身分布稳定性 psi 长期趋势图 二 变量和目标值的强相关关系 IV值 变量数的选择 好的模型变量直接决定着一个风险模型是否稳定和有效，而好的模型变量都具备以下三种特性： 1、变量自身的分布是随时间相对稳定的； 2、变量和目标值之间是有强相关关系的； 3、变量和目标的强相关关系也是随时间相对稳定的； 建模初期所有的变量筛选工作都是围绕着这三点来寻找符合这些特性的变量的。 一 变量自身分布稳定性 psi 风控中常用的衡量稳定性的指标是psi： psi = sum((实际占比-预期占比) * ln(实际占比/预期占比)) 建模初期，对变量稳定性进行筛选的一个常用方法为：选择第一天（或最后一天）做为基准日，将后续每日的数据都同基准日的数据计算psi，一旦有一天或几天的psi值超过一个阈值（一般为0.1），则删除该变量，当然也可以将时间尺度扩大到周或者月。这是一个高效的方法，但也存在以下几点问题： 1、计算psi需要单独处理缺失值。这个问题当然可以解决，解决办法就是将所有的缺失值单独分为一组，但当一个变量缺失率过高的时候，会导致非缺失的其它分组占比过少，就会带来第二个问题； 2、假设我们将基准日的变量分了5组，因为变量本身分布的波动，在以同样的切分点对第二日的变量进行分组时，有时会发现某一组的占比竟然为0，而ln(0)是无法计算的，就会导致psi的计算报错