2. 程式人生 > >Community detection 社團檢測 (1)

Community detection 社團檢測 (1)

阿新 • • 發佈：2019-01-22
另個原因是難以驗證結果是否正確。對於有標註的資料，可以簡單地對比劃分結果來計算正確率，方法(NMI,Jaccabi,Omega,F-score)也不盡相同。正確率太高也不一定是好事，容易過擬合。然而大部分的資料是無標註的，在不知道正確結果的情況下得到社團的劃分，所以說不知道該檢測到什麼社團。Newman大牛一篇文章甚至說到，我們就不該在檢測之前知道社團長什麼樣。等檢測出來後，再解釋社團的意義。（總覺得不靠譜= = 我真該去搞應用）咳咳，此時該如何評價呢?一部分人會說，嘿，我和他得到的結果一樣，所以是正確的，然後開始自圓其說。幾個不同的方法得到相同的結果，這個結果確實有著不平凡的地方。更令人信服的方式是從某些描述社團特性
(密度，類間散度，類內散度，power-law)的側面來評價結果，比如社團內部的密度是否高，社團之間的聯絡是否少等等，有些目標函式也用來當作評價，比如最常用的modularity（可以同時衡量類內和類間兩方面）。這樣的評價更加客觀，原本是以函式A為目標求解，結果顯示評價（或目標）B和C也能得到很高的值，從多個側面來看，這個結果是好的。注意，要根據希望的社團結構來選擇合適的評價指標。每個人研究的問題或多或少都有所不同，許多人都是自己設的評價指標。自己的指標當然是自己跑的最好，別人跑的差。所以選用別人的指標會更有說服力，看，我用的你的指標跑的還比你好，你都能發表出來，就沒有理由不發表我的。啊，又陷入了發表論文的怪圈。再次注意，不要只是為了打敗別人而設指標，一定要選擇適合你的問題的指標，畢竟我們都是想解決問題的。別人的方法不足以解決問題，而我們的能夠解決，順便打敗他了而已= =。

相關推薦

Community detection 社團檢測 (1)

另個原因是難以驗證結果是否正確。對於有標註的資料，可以簡單地對比劃分結果來計算正確率，方法(NMI,Jaccabi,Omega,F-score)也不盡相同。正確率太高也不一定是好事，容易過擬合。然而大部分的資料是無標註的，在不知道正確結果的情況下得到社團的劃分，所以說不知道該檢測到什麼社團。Newman大牛一

【更新】社團檢測（community detection）相關文獻整理（2015-2018）

剛剛開始接觸community detection相關的內容，在找資料和了解相關定義、演算法的過程中發現自己的記錄很混亂，所以藉此記錄下自己的一些學習過程，希望可以一起學習交流。 首先咱們來討論一下文獻查詢，本文主要列出了機器學習、資料探勘和人工智慧領域的相關

LabelRank（A Stabilized Label Propagation Algorithm for Community Detection in Networks）非重疊社區發現

date nal zed con ati rop target lan detect 最近在研究基於標簽傳播的社區分類，LabelRank算法基於標簽傳播和馬爾科夫隨機遊走思路上改裝的算法，引用率較高，打算將代碼實現，便於加深理解。 一、概念 相關概念不再累述，詳情見前兩篇

異常檢測(Anomaly detection): 異常檢測算法（應用高斯分布）

fff ati 高斯分布 不同的 detect 我們 src tro images 估計P(x)的分布--密度估計 我們有m個樣本，每個樣本有n個特征值，每個特征都分別服從不同的高斯分布，上圖中的公式是在假設每個特征都獨立的情況下，實際無論每個特征是否獨立，這個公式的效果

object detection物體檢測基本概念

sta first 物體檢測 base npr poi cores out objects 1.precision-recall https://cn.mathworks.com/help/vision/ref/evaluatedetectionprecision.h

windows下安裝mysql（mysql-installer-community-5.6.10.1）

自動 選擇 devel 界面 mysql-in for 選項 需要 acc 轉載 2015年06月07日 18:22:57 轉載自：http://blog.sina.com.cn/s/blog_7cecec9501017cmk.html 一、安裝前的準備

[深度學習]Object detection物體檢測之YOLO v1(6)

目錄 與以往rcnn，SPPNet，fast rcnn，faster rcnn的不同 YOLO的特點 YOLO的流程 YOLO的網路結構圖 YOLO的loss function YOLO的侷限 YOLO的實驗結果 論文全稱：《You Only Look Once:

[深度學習]Object detection物體檢測之FPN(11)

論文全稱：《Feature Pyramid Networks for Object Detection》 論文地址：http://openaccess.thecvf.com/content_cvpr_2017/papers/Lin_Feature_Pyramid_Networks_CVPR_20

[深度學習]Object detection物體檢測之DSSD(10)

目錄 主要改進 提出的動機 Deconvolutional SSD Prediction module Deconvolution Module 使用K-means 方法 setting prior box aspect ratio Result 論文全稱：《DS

[深度學習]Object detection物體檢測之乾貨收集分享

知乎 作者：美圖雲視覺技術部 檢測團隊 基於深度學習的目標檢測演算法綜述（一） 基於深度學習的目標檢測演算法綜述（二） 基於深度學習的目標檢測演算法綜述（三） CSDN 作者：AI之路 CVPR2018 目標檢測（object detection）演算法總覽 論文

[深度學習]Object detection物體檢測之YOLO v3(9)

論文全稱：《YOLOv3: An Incremental Improvement》 論文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf 這是我目前看過最輕鬆詼諧的論文，作者的開頭特別有意思。他說自己過去一年花了很多時間在推特上面，也

[深度學習]Object detection物體檢測之SSD(8)

目錄 綜述 SSD與其他演算法的區別 SSD的主要貢獻 1.Multi-Scale Feature Maps 2.Splitting the Region Space 3.Data Augmentation SSD300網路結構 SSD網路的缺點 論文全稱

[深度學習]Object detection物體檢測之YOLO v2(7)

目錄 綜述 多種方法對原來的v1版本改進 Batch Normalization High Resolution Classifier（高解析度的分類器） Convolutional With Anchor Boxes Dimension Clusters（維度聚類） Di

[深度學習]Object detection物體檢測之Faster R-CNN(5)

目錄 1.綜述 2.Region Proposal Networks （RPN） Anchor（錨） loss function Training RPNs 3.Sharing Features for RPN and Fast R-CNN  1.交替訓練&nb

[深度學習]Object detection物體檢測之Fast R-CNN(4)

目錄 1.introduction 2.The RoI pooling layer 3.Initializing from pre-trained networks 4.Fine-tuning for detection 5.Multi-task loss 6.Truncat

[深度學習]Object detection物體檢測之SPPNet(3)

目錄 1.論文的綜述 2.Spatial Pyramid Pooling結構 3.Training the Network訓練網路的細節 4.SPP-NET FOR OBJECT DETECTION 論文全稱：《Spatial Pyramid Pooling in Deep

[深度學習]Object detection物體檢測之Retinanet(12)

論文全稱：《Focal Loss for Dense Object Detection》 論文地址：https://arxiv.org/pdf/1708.02002.pdf 論文程式碼：https://github.com/facebookresearch/Detectron 目錄

SSD目標檢測(1)：圖片+視訊內的物體定位（附原始碼）

一、SSD用於圖片物體的定位與檢測 SSD原理介紹這一篇部落格對我的幫助比較大，很詳細的介紹了SSD原理，送給大家做了解 1、下載SSD框架原始碼 1.1

百度新手賽：充電樁故障分類與檢測<1>

賽題介紹： 本賽題為新能源汽車充電樁的故障檢測問題，賽題提供85500條訓練資料（標籤：0代表充電樁正常，1代表充電樁有故障），參賽者需對36644條測試資料進行預測。 評價標準： 本賽題採用f1-Sc

C++ 記憶體洩漏檢測1：微軟自帶的記憶體洩漏檢測方法

在程式總的包含標頭檔案中新增以下程式碼， #ifdef _DEBUG #define DEBUG_CLIENTBLOCK new( _CLIENT_BLOCK, __FILE__, __LINE__) #else #define DEBUG_CLIENTBLOCK