抽样中的题,这……该怎么做?

晓月xy 2020-10-24 09:43:07
根据P市广电局第一阶段有线数字电视推广的情况,P市的有线电视用户主要分布在市区内的25个居委会和近郊区的43个村委会.其中,25个居委会包含19664个居民住户,43个村委会包含7932个居民住户,共计27596个居民住户. 实施抽样调查,需要解决以下问题: 1.如果调查采用简单随机抽样,抽样框应如何界定?如果采用分层随机抽样,分层的标志如何选择? 2.如果采用简单随机抽样,样本量如何确定?如果分层随机抽样的样本量和简单随机抽样一样,样本量在各层如何分配? 3.通过在简单随机抽样和分层随机抽样下分别对四个目标变量的估计,对比简单随机抽样和分层随机抽样的估计效率.
...全文
761 2 打赏 收藏 转发到动态 举报
写回复
用AI写文章
2 条回复
切换为时间正序
请发表友善的回复…
发表回复
dyf0130 2021-06-29
  • 打赏
  • 举报
回复

a,19664个居民住户 去抢 25份指标;7932个居民住户 去抢 43 份指标 ;
b,19664个居民住户 去抢 19664/27596 份指标;7932个居民住户 去抢 7932/27596 份指标,市区与近郊按户权重一致;
c,19664个居民住户 去抢 25/(25 + 43)份指标;7932个居民住户 去抢 43/(25 + 43)份指标,市区与近郊按 委会权重一致;
d,19664个居民住户 去抢 50% 份指标;7932个居民住户 去抢 50% 份指标,市区与近郊个占50%
 

dyf0130 2020-11-02
  • 打赏
  • 举报
回复
19664个居民住户 去抢 25个指标;7932个居民住户 去抢 43 个指标
内容概要:本文系统介绍了基于LlamaFactory框架对大语言模型Qwen3-1.7B进行LoRA微调以实现商品十分类任务的完整流程,涵盖环境搭建、数据预处理、模型微调、性能评估与Badcase分析,以及使用vLLM进行推理加速部署的全过程。通过DeepSpeed技术实现训练加速,并结合实际分类效果进行准确率分析,将模型原始准确率从59.6%提升至91.3%,显著优化分类表现。同时针对低召回率类别(如冷藏即饮果汁)开展Badcase分析,定位训练数据不足问并提出增量训练改进方案。最后通过vLLM部署实现推理性能大幅提升,批处理时间由54秒缩短至22秒。; 适合人群:具备一定深度学习与自然语言处理基础,熟悉Python编程和Linux环境,从事AI算法研发或模型优化工作的工程师及研究人员,尤其适合有大模型微调与部署需求的从业者; 使用场景及目标:①掌握基于LoRA的大模型高效微调方法;②学习如何利用DeepSpeed加速训练过程;③提升分类任务准确率与召回率的调优策略;④实现高性能推理部署与端到端模型优化闭环; 阅读建议:建议结合代码实践操作,重点关注数据构造、参数配置、Badcase分析与推理部署环节,深入理解微调机制与性能瓶颈优化思路,配合日志与评估指标迭代改进模型。

754

社区成员

发帖
与我相关
我的任务
社区描述
PowerBuilder 数据库相关
社区管理员
  • 数据库相关社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧