高手请进

countliu 2003-05-16 10:14:53

1、我现在想做一个把MSFlexGrid表格中的部分内容保存到1数据库中。我的方法首先是先把MSFlexGrid表格中的内容复制到T_temp表中去，然后在进行添加，删除、修改等操作，然后再把筛选出来的记录保存到1数据库中，把T_temp表中的内容删除。后台数据库为MS_sql可是我现在做的是网络版，我怕一个操作员进行操作时，另一个操作员也在操作，两个人并发操作，会把临时表即T_temp表中的内容也给删掉，是不是这样啊，那有什么好办法啊？

...全文

99 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

价值不在于软件，价值在于数据，这对每一家公司而言都是非常重要的，他们了解他们拥有的数据。约翰·斯特拉介绍现在越来越多的公司意识到数据的强大。机器学习模型越来越受欢迎，现在正在使用数据来解决各种商业问题。话虽如此，模型的准确性和可解释性之间总是存在着取舍。一般来说，如果准确性得到提高，数据科学家必须使用复杂的算法，如Bagging，Boosting，Random Forests等，这些都是“黑盒”的...

LIME与SHAP是机器学习中两个重要的模型解释工具，前者着重于局部解释，后者则提供全局和局部解释能力。

原标题：6个Python库解释机器学习模型并建立信任在机器学习模型中建立信任的案例全球道路上大约有12亿辆汽车。这是一个令人毛骨悚然的问题-您认为实际上有多少驾驶员了解车辆的内部运行情况？您可能已经猜到了，答案只是少数几个人。我们不需要了解驾驶车辆的内部操作。因此，对于我们大多数人来说，这辆车是一个黑匣子，但它确实为驾驶员做好了工作。但是设计和制造车辆的人呢？他们需要彻底了解来龙去脉。这正是我们使...

模型可解释性指的是我们能够理解和解释机器学习模型的决策过程。对于简单的模型（如线性回归），模型的决策过程是透明的，因为我们可以直接查看模型的权重和偏置。然而，对于复杂的模型（如深度神经网络），模型的决策过程往往是非线性的、高维的，难以直接解释。本文介绍了两种常用的模型可解释性工具：LIME和SHAP，并使用Python实现了它们在大规模语言模型（LLM）上的应用。LIME通过局部拟合简单模型来解释复杂模型的预测结果，适用于需要快速解释模型在某个特定样本上的决策过程的场景。

SHAP基于博弈论中的夏普利值原理，旨在量化每个特征对模型预测的贡献。夏普利值是一种合作博弈中的收益分配方法，它考虑了每个参与者在不同联盟中的贡献，从而公平地分配总收益。在SHAP中，将每个特征视为一个参与者，模型的预测结果视为总收益，通过计算每个特征在不同特征子集下的边际贡献，得到其对应的夏普利值，即该特征对模型预测的重要性。具体而言，对于一个给定的特征组合，SHAP值表示该特征加入或移除对模型预测的影响。

7,788

社区成员

197,583

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章