正例
- 基于主成分分析的隨機(jī)森林鋼材缺陷檢測算法
常用于衡量模型對正例樣本的預(yù)測準(zhǔn)確性,表示為正確預(yù)測為正的樣本占全部預(yù)測為正的樣本的比例,召回率常用于評價(jià)模型對于正例樣本的識(shí)別程度,表示為預(yù)測為正的正例占全部真值為正例的樣本的比例.為了能夠直觀地判斷預(yù)測值與真實(shí)值之間的差異,引入如表2所示的混淆矩陣.表2 混淆矩陣其中xTP表示預(yù)測值為正例真值也為正例的真正例,xFP表示預(yù)測值為正例真值卻為負(fù)例的假正例,xFN表示預(yù)測值為負(fù)例真值卻為正例的假負(fù)例,xTN表示預(yù)測值為負(fù)例真值也為負(fù)例的真負(fù)例.根據(jù)混淆矩陣
- 小學(xué)生舉例表現(xiàn)與概念理解的相關(guān)性研究
80名學(xué)生進(jìn)行了正例、反例和概念理解的測試，分析了學(xué)生的作答數(shù)據(jù)，得出學(xué)生在舉正例方面的表現(xiàn)比舉反例要好，學(xué)生的舉例表現(xiàn)與其對相應(yīng)概念的理解存在顯著的相關(guān)性，并且反例對于概念理解具有獨(dú)特的價(jià)值。基于研究結(jié)論，建議一線教師在概念教學(xué)中鼓勵(lì)學(xué)生自主舉例，關(guān)注學(xué)生的舉例表現(xiàn)，把學(xué)生的舉例表現(xiàn)作為新的概念理解評價(jià)方式?！娟P(guān)鍵詞】正例；反例；概念理解；概念評價(jià)一、問題提出《義務(wù)教育數(shù)學(xué)課程標(biāo)準(zhǔn)（2022年）》（以下簡稱“新課標(biāo)”）明確指出，數(shù)學(xué)課程要培養(yǎng)學(xué)生的核心素
中小學(xué)課堂教學(xué)研究 2023年12期2024-01-05
- 基于樣本分布的類別均衡化方法
樣本集，記為P(正例樣本集)。DT可分解為Kp=，KN=。1.2 單類支持向量機(jī)單類支持向量機(jī)One-class SVM[12]采用核函數(shù)把樣本映射到高維特征空間，將零點(diǎn)作為負(fù)樣本點(diǎn)，其它樣本作為正樣本點(diǎn)，最大化零點(diǎn)和其它樣本點(diǎn)之間的距離并構(gòu)建最優(yōu)超平面。對于N={x1，x2，…，xn} 負(fù)例樣本集，One-class SVM優(yōu)化目標(biāo)如式(1)所示(1)式中：v∈(0，1) 為調(diào)節(jié)松弛程度，控制異常樣本比例的上界，w是超平面法向量，ρ是超平面截距，φ()
計(jì)算機(jī)工程與設(shè)計(jì) 2023年9期2023-10-12
- 基于相似度的裝備數(shù)據(jù)聚合方法
,統(tǒng)稱為該裝備的正例。在裝備名稱匹配過程中,除了正例,裝備數(shù)據(jù)往往更多的是非同一裝備的名稱反例,為了實(shí)現(xiàn)裝備名稱的自動(dòng)匹配,算法應(yīng)能夠區(qū)分正例和反例,為了全面分析算法,在典型數(shù)據(jù)集中添加2個(gè)與正例相似的反例:“⑥1959年式9毫米手槍”和“⑦1954年式12.7毫米穿甲燃燒彈”,用于測試算法的反向匹配?，F(xiàn)將7條數(shù)據(jù)分別與裝備字典中的對應(yīng)的標(biāo)準(zhǔn)名稱進(jìn)行比對,應(yīng)用本文算法結(jié)果如圖2所示。圖2 不同名稱相似度對比結(jié)果從2個(gè)維度對圖2的實(shí)驗(yàn)結(jié)果進(jìn)行分析。維度1是匹
空軍工程大學(xué)學(xué)報(bào) 2023年2期2023-05-06
- 正例與反例相結(jié)合的高中地理案例教學(xué)法
程中，教師可以將正例與反例結(jié)合，培養(yǎng)學(xué)生的邏輯思維，讓學(xué)生發(fā)現(xiàn)高中地理學(xué)科的邏輯性與規(guī)律性。本文介紹了高中地理學(xué)科案例選編的原則，闡述了正例與反例的呈現(xiàn)次序，并重點(diǎn)剖析了高中地理案例教學(xué)法正例與反例相結(jié)合的實(shí)施流程，以期為教師應(yīng)用案例教學(xué)法提供參考。一、高中地理學(xué)科案例選編的原則（一）辯證性原則地理學(xué)科案例選編要堅(jiān)持辯證思維，充分反映地理現(xiàn)象的多樣性和復(fù)雜性，選擇適當(dāng)?shù)?span id="syggg00" class="hl">正例和反例，以展示地理現(xiàn)象的多樣性及其變化規(guī)律。正例可以揭示地理現(xiàn)象的一般性規(guī)律，反例則
幸福家庭 2023年23期2023-02-27
- 切分論點(diǎn)，層次清晰
來。范例分析1【正例展示】 題目：得失之間 中心論點(diǎn)：豐滿人生在得失之間。 分論點(diǎn)：①人生有得必有失，而且失遠(yuǎn)遠(yuǎn)多于得；②得失之間固然有偶然性，但更多時(shí)候，是“種瓜得瓜，種豆得豆”；③得與失之間，收獲多少不是成敗唯一的標(biāo)準(zhǔn)，重要的是自己的人生有沒有過刻骨銘心的經(jīng)歷?！痉蠢故尽?題目：遠(yuǎn)見 中心論點(diǎn)：為人處世應(yīng)有遠(yuǎn)見。 分論點(diǎn)：①有遠(yuǎn)見的人常未雨綢繆；②有遠(yuǎn)見的人視野廣闊（或“目光深邃”）；③有遠(yuǎn)見的人襟懷坦蕩。 糾偏：“有遠(yuǎn)見的人常未雨綢繆”，已由“遠(yuǎn)見
作文周刊(高考版) 2023年8期2023-02-17
- 結(jié)合噪聲網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)遠(yuǎn)程監(jiān)督關(guān)系抽取
作為此關(guān)系類型的正例，這類噪聲問題即為假陽性噪聲。假陰性噪聲是指由于知識(shí)庫不足，將語料庫中原本表達(dá)了某種關(guān)系的句子標(biāo)注為不存在關(guān)系（non-relation，NA），如表1的句子S3，“張三結(jié)婚后生了兩個(gè)孩子，定居在北京”中存在著（張三，居住于，北京）的關(guān)系事實(shí)，但實(shí)體對（張三，北京）在KB中并不存在關(guān)系，因此S3被錯(cuò)誤地標(biāo)記為NA，這類噪聲問題即為假陰性噪聲。表1 遠(yuǎn)程監(jiān)督關(guān)系抽取中錯(cuò)誤標(biāo)注的例子Table 1 Examples of incorrect
計(jì)算機(jī)工程與應(yīng)用 2022年23期2022-12-06
- 融合self_attention 的詞級交互文本分類模型研究*
函數(shù)。準(zhǔn)確率是指正例判斷正確的個(gè)數(shù)與模型預(yù)測輸出的正例的總個(gè)數(shù)之比［11］。模型預(yù)測為正例的情況有兩種：一種是將正例預(yù)測為正例（TP），另外一種是將負(fù)例預(yù)測為正例（FP）。準(zhǔn)確率計(jì)算表達(dá)式如下：召回率是指正例判斷正確的個(gè)數(shù)與真正的正例樣本的總個(gè)數(shù)，這其中也有兩種預(yù)測情況，一是將樣本中的正例預(yù)測為正例（TP），二是將樣本中的正例預(yù)測為負(fù)例（FN）［12］。召回率計(jì)算公式如下：理想情況下，精確率和召回率兩者都越高越好。然而事實(shí)上這兩者在某些情況下是矛盾的，精確
計(jì)算機(jī)與數(shù)字工程 2022年8期2022-09-28
- 基于知識(shí)感知采樣的神經(jīng)協(xié)同過濾
的缺陷在于可能把正例誤認(rèn)為是高質(zhì)量的負(fù)例?；谥R(shí)圖譜的負(fù)采樣策略[5]利用項(xiàng)目與項(xiàng)目之間共同的知識(shí)實(shí)體，尋找高質(zhì)量的負(fù)例來與正例匹配，從而提升推薦模型的性能。該方法能夠有效緩解誤采樣問題，通過確保采樣負(fù)例的真實(shí)性，從而提高推薦的準(zhǔn)確性，獲得了比上述方法更好的性能表現(xiàn)。但是，為了減小算法的時(shí)間復(fù)雜度，該方法在確定候選負(fù)例集后，選擇了候選負(fù)例集中的最后一個(gè)元素作為負(fù)例來優(yōu)化推薦模型。然而，最后一個(gè)候選負(fù)例并不一定是最佳負(fù)例，通過改進(jìn)采樣策略，可以進(jìn)一步提升推
電視技術(shù) 2022年6期2022-07-14
- “正例”與“反例”相結(jié)合的高中地理案例教學(xué)法研究
存的特點(diǎn)，提出“正例”與“反例”相結(jié)合的案例教學(xué)方法，以便學(xué)生更全面地理解地理規(guī)律，形成良好的地理思維能力，為中學(xué)地理教師提供教學(xué)思路。關(guān) 鍵 詞高中地理 ?案例教學(xué)法 ? “正例”與“反例”引用格式孟曉晨，呂宜平.“正例”與“反例”相結(jié)合的高中地理案例教學(xué)法研究[J].教學(xué)與管理，2022（22）：61-64.地理學(xué)科具有一般性的規(guī)律，例如氣溫從赤道向兩極逐漸遞減，氣候從沿海到內(nèi)陸逐漸干旱。隨著地理學(xué)科的發(fā)展，地理一般性規(guī)律逐漸被挖掘，但除一般性外，地理
教學(xué)與管理(中學(xué)版) 2022年8期2022-05-30
- ROC曲線及其分析方法綜述
P)：真實(shí)結(jié)果為正例，預(yù)測為正例。(2) 假陰性(FN)：真實(shí)結(jié)果為正性，但預(yù)測為負(fù)例。(3)真陰性(TN)：真實(shí)結(jié)果為負(fù)例，預(yù)測為負(fù)例。(4)假陽性(FP)：觀察結(jié)果為負(fù)例，但預(yù)測為正例。其分類結(jié)果用一個(gè)2×2矩陣表示，稱為混淆矩陣。構(gòu)造如圖1所示[8]。其中，P表示正例，N表示負(fù)例。圖1 混淆矩陣示意圖Fig.1 Diagram of confusion matrix1.3 常用分類器性能評估標(biāo)準(zhǔn)給定一個(gè)數(shù)據(jù)集和一個(gè)分類器，經(jīng)過訓(xùn)練和測試可以得到分類結(jié)
廣東工業(yè)大學(xué)學(xué)報(bào) 2021年1期2021-12-29
- 一種面向工控系統(tǒng)的PU學(xué)習(xí)入侵檢測方法
,將正常流量作為正例標(biāo)簽數(shù)據(jù)訓(xùn)練模型,保留模型對于未知入侵的檢測能力的同時(shí),提升模型對于入侵的檢測能力。而PU學(xué)習(xí)模型同時(shí)將一類標(biāo)簽數(shù)據(jù)和待檢測的無標(biāo)簽數(shù)據(jù)用于模型的訓(xùn)練,因此PU學(xué)習(xí)模型的分類性能往往高于異常檢測模型。本文的主要貢獻(xiàn)可以概括如下:(1) 針對工業(yè)控制系統(tǒng)數(shù)據(jù)維數(shù)高、關(guān)聯(lián)性強(qiáng)的特點(diǎn),本文提出一種基于PU學(xué)習(xí)的特征重要度計(jì)算方法,該方法可以基于正例標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)計(jì)算出特征的重要度,以用于特征選擇。(2) 在 PU 學(xué)習(xí)的類先驗(yàn)概率估計(jì)上
信息安全學(xué)報(bào) 2021年4期2021-08-25
- AUC統(tǒng)計(jì)特性概述
義1：對于一個(gè)由正例X={X1,X2, ...,Xm}和負(fù)例Y={Y1,Y2, ...,Yn}組成的數(shù)據(jù)集，存在一個(gè)閾值，使得，這里FX(x)和FY(x)分別是X和Y的概率分布函數(shù)。令。則ROC可以定義為：，ROC曲線下面積AUC定義為：我們知道AUC是一種很好分類器評價(jià)方法，可以用來評估和比較與選擇的準(zhǔn)確決策閾值無關(guān)的分類模型的總體性能。AUC=1.0表示分類器性能最好，AUC=0.5表示分類器隨機(jī)進(jìn)行分類決策的性能，這個(gè)決策與拋硬幣的概率是等效的。分類
電子世界 2021年13期2021-07-29
- Hybrid-隨機(jī)森林財(cái)務(wù)危機(jī)預(yù)警模型研究
預(yù)測的數(shù)目/總數(shù)正例覆蓋率=正確預(yù)測的ST 數(shù)目/實(shí)際ST 數(shù)目正例命中率=正確預(yù)測的ST 數(shù)目/預(yù)測ST 數(shù)目負(fù)例的覆蓋率=正確預(yù)測的非ST 數(shù)目/實(shí)際非ST 數(shù)目負(fù)例命中率=正確預(yù)測的非ST 數(shù)目/預(yù)測非ST 數(shù)目企業(yè)利益相關(guān)者最重視的指標(biāo)是正例命中率與正例覆蓋率。正例覆蓋率指預(yù)測到的ST 公司占實(shí)際被ST 公司的比例；正例命中率指被ST 企業(yè)的管理者發(fā)現(xiàn)財(cái)務(wù)預(yù)警時(shí)，采取合適的措施能使多大比例的企業(yè)擺脫財(cái)務(wù)危機(jī)。4.1 基于Shuffle 的隨機(jī)森林本
軟件導(dǎo)刊 2021年6期2021-06-25
- 基于蟻群聚類的不平衡數(shù)據(jù)過采樣方法
,反之為少數(shù)類(正例)樣本[1]。在不平衡數(shù)據(jù)集中,樣本數(shù)量較少的類可能包含更加關(guān)鍵的信息。例如醫(yī)療診斷中人類患腫瘤性疾病的事件屬于少數(shù)類,但是如果將腫瘤性疾病誤診為沒有病變,可能就會(huì)喪失早期治療的機(jī)會(huì),造成難以挽回的結(jié)果[2]。不平衡分類產(chǎn)生的原因是采用普通分類方法去處理不平衡數(shù)據(jù)集導(dǎo)致分類器的分類結(jié)果不理想[3]。例如一個(gè)數(shù)據(jù)集中有998個(gè)反例,2個(gè)正例,那么只需要選擇一個(gè)將訓(xùn)練集數(shù)據(jù)預(yù)測為反例的學(xué)習(xí)方法即可,這樣該學(xué)習(xí)方法生成的學(xué)習(xí)器就可以達(dá)到99.
- 基于單線程的無錨點(diǎn)目標(biāo)檢測模型
預(yù)測模式都會(huì)導(dǎo)致正例與負(fù)例的比例處于一個(gè)較低值，此時(shí)需要采取一些平衡正負(fù)例的措施，造成模型的冗雜度增加。為解決該問題，本文提出一種新的模型結(jié)構(gòu)。該模型通過取消預(yù)設(shè)錨點(diǎn)參數(shù)環(huán)節(jié)和特征金字塔網(wǎng)絡(luò)，避免與錨點(diǎn)相關(guān)的冗余并降低特征金字塔提取網(wǎng)絡(luò)的權(quán)重，從而提高模型的魯棒性。1 全卷積單階段單線程無錨點(diǎn)檢測模型1.1 無錨點(diǎn)預(yù)測頭模塊本文提出的模型在訓(xùn)練階段過程中，預(yù)測頭模塊的特征圖標(biāo)簽制作過程舍棄了錨點(diǎn)與標(biāo)簽框匹配步驟，直接以預(yù)測頭特征圖的像素點(diǎn)為單位與標(biāo)簽框進(jìn)行
計(jì)算機(jī)工程 2021年5期2021-05-17
- 靜態(tài)課堂與動(dòng)態(tài)課堂
比如，當(dāng)教師給出正例之后，可以給出旁例，甚至給出反例。所謂正例就是與相關(guān)知識(shí)完全正相關(guān)的例子，這種情況一般大多數(shù)學(xué)生都容易理解；所謂旁例就是與正例不同的例子，就是變化了的例子，比之正例，旁例就相對難一點(diǎn)；所謂反例就是與正例完全相反的情況，這就更加難以理解了。一種知識(shí)只有在掌握正例、旁例、反例的情況下才能算作真正理解了。再比如，還可以聯(lián)系實(shí)際，將現(xiàn)實(shí)生活引入，面向真實(shí)問題，解決真實(shí)問題，現(xiàn)在培養(yǎng)學(xué)生核心素養(yǎng)就是讓學(xué)生學(xué)會(huì)做事，學(xué)會(huì)解決問題。因此，課堂應(yīng)該留給
未來教育家 2021年11期2021-03-16
- 最大化AUC 的正例未標(biāo)注分類及其增量算法*
，訓(xùn)練樣例集中的正例樣本相對比較容易獲得，而反例樣本的獲得比較困難，例如醫(yī)療診斷、地震監(jiān)測、生物信息學(xué)，在這些領(lǐng)域僅能觀測到一些標(biāo)記為正例的樣本以及大量可能包含正例樣本和負(fù)例樣本的未標(biāo)注樣本。為了使分類器的分類精度較高，反例樣本集合應(yīng)該是無偏的，即反例樣本集合應(yīng)該包含非正例的其他所有類別。因此，人們轉(zhuǎn)而研究基于正例和未標(biāo)注樣本的學(xué)習(xí)，其中未標(biāo)注樣例集合數(shù)量通常遠(yuǎn)遠(yuǎn)大于標(biāo)記的正例樣本數(shù)目。解決PU 分類問題的傳統(tǒng)方法是簡單地將這些既包含正例樣本又包含負(fù)例樣本
計(jì)算機(jī)與生活 2020年11期2020-11-15
- 集成學(xué)習(xí)在高誤碼率下AOS協(xié)議識(shí)別中的應(yīng)用研究
。每種數(shù)據(jù)集均由正例AOS協(xié)議數(shù)據(jù)和負(fù)例TM與HDLC協(xié)議數(shù)據(jù)組成。為了更好的體現(xiàn)正例AOS協(xié)議數(shù)據(jù)的識(shí)別評價(jià)指標(biāo)，在實(shí)驗(yàn)數(shù)據(jù)集中應(yīng)含有與正例數(shù)量相當(dāng)?shù)呢?fù)例數(shù)據(jù)，本實(shí)驗(yàn)的正、負(fù)例實(shí)驗(yàn)數(shù)據(jù)數(shù)量均為62768幀。由于傳輸幀長度主要區(qū)別在數(shù)據(jù)域部分，對協(xié)議的分類沒有影響，因此本章實(shí)驗(yàn)部分的幀長度均以CCSDS-TM同步與信道編碼藍(lán)皮書中Turbo編碼的要求塊長度223字節(jié)為例。由于本文的實(shí)驗(yàn)為兩部分，因此本文也仿真了兩種測試集。第一部分實(shí)驗(yàn)的測試集誤碼率為10-
宇航計(jì)測技術(shù) 2020年3期2020-09-11
- 改進(jìn)的TransH模型在知識(shí)表示與推理領(lǐng)域的研究
三元組僅僅是通過正例三元組按照一定的策略替換頭、尾實(shí)體得來的，并未考慮到替換后的頭實(shí)體/尾實(shí)體與原頭實(shí)體/尾實(shí)體之間的相似度關(guān)系，例如：在一個(gè)(美國，總統(tǒng)，特朗普)三元組關(guān)系替換過程中，將“特朗普”替換成“奧巴馬”的錯(cuò)誤程度遠(yuǎn)遠(yuǎn)低于將“特朗普”替換成“比爾蓋茨”的錯(cuò)誤程度，受到文獻(xiàn)[13]的啟發(fā)，提出了改進(jìn)的TransH模型(mTransH)，mTransH模型在構(gòu)造損失函數(shù)的過程中，采用單層神經(jīng)網(wǎng)絡(luò)的非線性操作來精確刻畫實(shí)體和關(guān)系之間的語義信息，創(chuàng)新性地
- 基于深度神經(jīng)網(wǎng)絡(luò)的原發(fā)性肝癌證型診斷分類預(yù)測模型＊
，一般分為2 類正例和負(fù)例，令TP 表示實(shí)際為正例同時(shí)預(yù)測也為正例的樣本數(shù)，TN表示實(shí)際是負(fù)例同時(shí)預(yù)測也是負(fù)例的樣本數(shù)，F(xiàn)P表示實(shí)際為負(fù)例但預(yù)測卻是正例的樣本數(shù)，F(xiàn)N表示實(shí)際為正例但預(yù)測卻是負(fù)例的樣本數(shù)。各個(gè)評價(jià)指標(biāo)計(jì)算式（式5、式6、式7）如下所示：表5 證型因子歸一化數(shù)值表①準(zhǔn)確率：被正確預(yù)測（正例和負(fù)例）的樣本數(shù)占總樣本數(shù)的比重：表6 深度神經(jīng)網(wǎng)絡(luò)與其他分類算法準(zhǔn)確率對比分析表②精確率：預(yù)測正例且實(shí)際也為正例的樣本數(shù)占所有預(yù)測為正例的樣本數(shù)的比重：③
- 基于殘差網(wǎng)絡(luò)的智能交通標(biāo)志識(shí)別算法
：被正確地劃分為正例的個(gè)數(shù)，即實(shí)際為正例且被分類器劃分為正例的實(shí)例數(shù)；(2)Falsepositives(FP)：被錯(cuò)誤地劃分為正例的個(gè)數(shù)，即實(shí)際為負(fù)例但被分類器劃分為正例的實(shí)例數(shù)；(3)Falsenegatives(FN)：被錯(cuò)誤地劃分為負(fù)例的個(gè)數(shù)，即實(shí)際為正例但被分類器劃分為負(fù)例的實(shí)例數(shù)；(4)Truenegatives(TN): 被正確地劃分為負(fù)例的個(gè)數(shù)，即實(shí)際為負(fù)例且被分類器劃分為負(fù)例的實(shí)例數(shù)。本文選取靈敏度和正確率作為殘差神經(jīng)網(wǎng)絡(luò)分類器的評價(jià)指標(biāo)
智能計(jì)算機(jī)與應(yīng)用 2020年9期2020-03-18
- 熱傳導(dǎo)算法在致病miRNA 預(yù)測中的應(yīng)用分析
ve)表示預(yù)測為正例的負(fù)例，用FN((False Negative)表示預(yù)測為負(fù)的正例，用TN(True Negative)表示預(yù)測為負(fù)的負(fù)例，用TP(True Positive)表示預(yù)測為正的正例，則可獲得關(guān)于下面幾個(gè)指標(biāo)的計(jì)算公式.精確率(Precision)是評價(jià)預(yù)測為正例的樣本中真正的正例的指標(biāo).正確率(Accuracy)是評價(jià)正確預(yù)測的正負(fù)例數(shù)和樣本總數(shù)關(guān)系的指標(biāo).召回率(Recall)是評價(jià)在實(shí)際正樣本中能預(yù)測出多少正例的指標(biāo).F1值是表示精確
- 基于概念形成的教學(xué)研究
基本前提。文章從正例、變式和反例的運(yùn)用，探析小學(xué)生數(shù)學(xué)概念的形成。關(guān)鍵詞：數(shù)學(xué)概念;正例;反例;變式小學(xué)數(shù)學(xué)的數(shù)學(xué)概念，有些是從客觀事物直接抽象而成，這些源自現(xiàn)實(shí)的數(shù)學(xué)概念，很容易讓學(xué)生將它們與現(xiàn)實(shí)原型混淆。例如，數(shù)學(xué)概念“三角形”和現(xiàn)實(shí)原型“三角尺”;數(shù)學(xué)概念“射線”和現(xiàn)實(shí)原型“探照燈的光束”;數(shù)學(xué)概念“二分之一”和現(xiàn)實(shí)原型“半個(gè)物品”等。遇到這種源自客觀事物直接抽象而成的數(shù)學(xué)概念，一般使用創(chuàng)設(shè)情境的方式，從客觀事實(shí)切入，抽象出其共性內(nèi)容，概括它們之間的
數(shù)學(xué)教學(xué)通訊·小學(xué)版 2019年7期2019-09-09
- 如何把愛和規(guī)矩同時(shí)給孩子
，怎么收拾你！”正例（家長）：“寶貝，你來幫我挑三個(gè)最紅的蘋果吧！”2.明確表達(dá)強(qiáng)烈不同意的立場（但不攻擊孩子的人格），讓孩子了解問題本身的影響?！镞m用于行為的后果比較嚴(yán)重，需要及時(shí)予以糾正、明確態(tài)度的問題。案例：孩子在超市里跑來跑去反例（家長）：“你太粗魯了，晚上不許看電視！”正例（家長）：“我不喜歡你這樣！小孩在過道亂跑會(huì)干擾別人購物！”3.表明你的期望：對于已經(jīng)發(fā)生的錯(cuò)誤不過分追究，并表明對孩子下次行為的期望。★適用于問題影響不大，屬于主觀上非故意的
海外星云 2019年3期2019-05-24
- 基于標(biāo)簽傳遞的異常檢測算法研究
1）單分類算法從正例樣本中學(xué)習(xí)一個(gè)數(shù)據(jù)描述，根據(jù)給定或設(shè)計(jì)的相似性度量準(zhǔn)則判定待測樣本的類別。典型的算法有基于高斯和小波等的算法[7]支持向量數(shù)據(jù)描述(Support vector data description,SVDD)[8]及單分類支持向量機(jī)(One-class SVM)[9]等基于支撐域的算法、主元分析(PCA)[10]等基于重構(gòu)的算法以及基于k-mens聚類的檢測算法[11]。其中基于K-means聚類的檢測算法將正例樣本聚為K類，依據(jù)每個(gè)聚類
數(shù)據(jù)采集與處理 2019年2期2019-04-25
- 基于神經(jīng)網(wǎng)絡(luò)的汽車說明書問答系統(tǒng)
相關(guān)度的任務(wù)時(shí),正例數(shù)量遠(yuǎn)遠(yuǎn)小于負(fù)例數(shù)量,正負(fù)樣本的比例極不均衡。這會(huì)導(dǎo)致模型在預(yù)測時(shí)傾向于將所有候選文檔標(biāo)記為負(fù)例,給所有候選文檔相對較低的分?jǐn)?shù),從而導(dǎo)致模型的效果不佳。為了解決這些問題,本文提出了一個(gè)新的問答系統(tǒng)，先計(jì)算問題和每個(gè)候選文檔間的相關(guān)度作為每篇候選文檔的得分,然后根據(jù)得分對候選文檔進(jìn)行排序,選擇得分最高的文檔作為答案予以返回。為了能更好地利用候選文檔的信息,分別對候選文檔的標(biāo)題、摘要和內(nèi)容進(jìn)行建模,并分別計(jì)算這3部分與問題的相關(guān)度,然后根據(jù)
- PU場景下的生物醫(yī)學(xué)命名實(shí)體識(shí)別算法研究
效地節(jié)約了資源。正例未標(biāo)注學(xué)習(xí)[10]，即PU學(xué)習(xí)（Positive and Unlabeled Learning），是一種半監(jiān)督學(xué)習(xí)方法。PU學(xué)習(xí)在疾病基因的識(shí)別[11]、與時(shí)間有關(guān)的數(shù)據(jù)流問題的處理[12]和構(gòu)建AUC優(yōu)化方法[13]等方面應(yīng)用廣泛，并且在不確定數(shù)據(jù)和風(fēng)險(xiǎn)評估方面都取得了非常好的效果[14-17]。研究至今，暫沒有發(fā)現(xiàn)研究者在生物醫(yī)學(xué)命名實(shí)體識(shí)別領(lǐng)域中通過使用PU學(xué)習(xí)進(jìn)行研究的相關(guān)內(nèi)容。本文將PU學(xué)習(xí)有效地應(yīng)用到生物醫(yī)學(xué)命名實(shí)體識(shí)別當(dāng)中
智能物聯(lián)技術(shù) 2019年1期2019-01-24
- SQL Server數(shù)據(jù)挖掘技術(shù)應(yīng)用研究
計(jì)以及各類事例（正例、負(fù)例、缺失事例）的計(jì)數(shù)及預(yù)測概率。葉節(jié)點(diǎn)中預(yù)測概率最大的類別作為該葉節(jié)點(diǎn)的預(yù)測值。每個(gè)葉節(jié)點(diǎn)對應(yīng)一條分類規(guī)則，包括節(jié)點(diǎn)規(guī)則、預(yù)測值、預(yù)測概率。所有葉節(jié)點(diǎn)的分類規(guī)則組成決策樹模型的分類規(guī)則集。圖中所選葉節(jié)點(diǎn)的節(jié)點(diǎn)規(guī)則為：Relationship='Unmarriedand Occupation='Adm-clerical，該葉節(jié)點(diǎn)包含事例672個(gè)f其中正例16個(gè)、負(fù)例656個(gè)、缺失值0個(gè)），計(jì)算預(yù)測概率時(shí)，正例數(shù)量和負(fù)例數(shù)量都會(huì)加1（目
電腦知識(shí)與技術(shù) 2019年32期2019-01-06
- microRNA靶基因預(yù)測算法的研究與發(fā)展
數(shù)據(jù)庫中)，導(dǎo)致正例和反例數(shù)量未臻均衡，影響分類模型的預(yù)測準(zhǔn)確度。因此，接下來在分述機(jī)器學(xué)習(xí)算法的同時(shí)，也將全面拓展式地概述了這些方法所用的數(shù)據(jù)。3.2 機(jī)器學(xué)習(xí)方法(1)TargetBoost[26]算法。采用GPboost模型，考慮miRNA-mRNA二聚體的序列互補(bǔ)配對、熱力學(xué)穩(wěn)定性、跨物種保守性等特征，預(yù)測線蟲和果蠅miRNA的靶基因。用于訓(xùn)練的反例數(shù)據(jù)集包含300個(gè)隨機(jī)生成的序列，而正例數(shù)據(jù)集包含36個(gè)實(shí)驗(yàn)驗(yàn)證的miRNA-mRNA靶向關(guān)系。(2
智能計(jì)算機(jī)與應(yīng)用 2018年1期2018-03-02
- 關(guān)注數(shù)學(xué)核心素養(yǎng)，夯實(shí)學(xué)生計(jì)算能力
過直觀、具體的“正例”，引入概念。為了更好地引入概念，教師可以抓住直觀具體的現(xiàn)實(shí)世界與所要學(xué)習(xí)的抽象數(shù)學(xué)概念間的聯(lián)系，將抽象概念置于學(xué)生熟悉的生活經(jīng)驗(yàn)中引入。例如：黎明小學(xué)五（3）班的同學(xué)需要每人訂購一份數(shù)學(xué)報(bào)和語文報(bào)，數(shù)學(xué)報(bào)全年價(jià)為40元，語文報(bào)全年為50元，五（3）班共有35名學(xué)生，請問總共要付多少錢？根據(jù)已知條件，學(xué)生列出如下二種算式：（1）（40+50）×35（2）40×35+50×35然后通過觀察，學(xué)生發(fā)現(xiàn)這二種算式雖然列法不同，但算出的結(jié)果相同
學(xué)苑教育 2018年23期2018-02-25
- 高中生物學(xué)概念獲得模式與概念同化模式探究
師首先可以舉一些正例，如小麥的抗銹病與易染銹病、大麥的耐旱性與非耐旱性；然后再舉一些反例，如羊的白毛和黑毛等，供學(xué)生學(xué)習(xí)、參考。同時(shí)，還可以讓學(xué)生也積極舉例，并對學(xué)生的例證做出肯定或否定的判斷，這樣不但能夠活躍課堂氣氛，還可以開拓學(xué)生的思維。有助于學(xué)生對“相對性狀”概念的學(xué)習(xí)，得出“相對性狀”概念的關(guān)鍵屬性?？偠灾?，學(xué)生在學(xué)習(xí)概念時(shí)由淺到深，做到精、準(zhǔn)，并歸納出概念的本質(zhì)屬性，才能找到準(zhǔn)確表述概念的唯一詞匯。另外，在概念獲得教學(xué)過程中，還需注意“變式”與
新課程(下) 2018年1期2018-02-24
- 編校中較隱藏的詞語差錯(cuò)對舉例析（之二）
不適合，不適宜。正例：非法網(wǎng)吧地處不易察覺的城鄉(xiāng)接合部，而上網(wǎng)者多數(shù)都在瀏覽一些少兒不宜的內(nèi)容?！臼纠?】傳誦一傳頌【解析】音同是導(dǎo)致二者混用或者誤用的關(guān)鍵因素。單從詞義上來講，二者也比較接近。前者偏重于指誦讀性傳布，而后者指頌揚(yáng)性傳布?！皞髡b”帶與不帶感情色彩均可，是一個(gè)感情色彩不太強(qiáng)的詞語，可以理解為因傳播而誦讀，誦讀只是一個(gè)動(dòng)作，從一定程度上可以不含情感指向；“傳頌”則帶著明顯的褒義，即在傳布過程中包含贊揚(yáng)、頌揚(yáng)等強(qiáng)烈的主觀因素，褒揚(yáng)的傾向性相當(dāng)突出
出版參考 2017年1期2017-10-26
- 如何管教才能讓孩子心靈不受傷
人家把你抓走！”正例（家長）：“寶貝，我們?nèi)タ纯唇裉斓耐聿褪巢陌?？”“寶貝，你來幫我挑三個(gè)最紅的蘋果吧！”明確表達(dá)強(qiáng)烈不同意立場（但不攻擊孩子的人格）。聽到不同立場的表達(dá)，讓孩子了解問題本身的影響。此方法適合：行為的后果比較嚴(yán)重，需要及時(shí)予以糾正、明確態(tài)度的問題。案例2：孩子在超市里跑來跑去。反例（家長）：“再亂跑我就打死你！”“別亂跑！老老實(shí)實(shí)待著！”正例（家長）：“你知道嗎，我不喜歡你這樣。你在過道亂跑會(huì)打擾到別人，影響別人買東西?！北砻髂愕钠谕?。對于
中華家教 2017年10期2017-10-10
- 把“愛”和“規(guī)矩”同時(shí)給孩子
他怎么收拾你！”正例：“寶貝，你來幫我挑三個(gè)最紅的蘋果吧?！?.明確表達(dá)自己不同意的立場（但不攻擊孩子的人格），讓孩子了解問題本身的影響。這適合行為后果較嚴(yán)重，需要及時(shí)予以糾正、明確態(tài)度的問題。案例：孩子在超市里跑來跑去。反例：“你太魯莽了，晚上不許看電視！”正例：“我不喜歡你這樣，你在過道上亂跑會(huì)干擾別人購物的！”3.提供選擇：提供給孩子合理的、我們能接受的選擇，給他被尊重感，而不是被強(qiáng)迫感。這適合行為相對頑固，但有可替代的選擇的問題；也可用于引導(dǎo)孩子開
新傳奇 2017年21期2017-07-21
- 三年級數(shù)學(xué)單元復(fù)習(xí)題“模塊化”設(shè)計(jì)的實(shí)踐研究
知識(shí)面。2.運(yùn)用正例閱讀展示數(shù)學(xué)思維序列。以往復(fù)習(xí)題都是集中各個(gè)知識(shí)點(diǎn)的練習(xí)，直白地講都是需要學(xué)生去做的。為此，我們有必要讓學(xué)生從解題工具的魔掌中解脫出來，站在一定的高度去審視數(shù)學(xué)題。3.巧用錯(cuò)例閱讀提升數(shù)學(xué)思維能力。針對某個(gè)單元的課堂作業(yè)中出現(xiàn)的常見錯(cuò)誤而設(shè)計(jì)的一些閱讀段落，大多數(shù)內(nèi)容是以文字呈現(xiàn)的方式展示出來的。改變了以前學(xué)生“錯(cuò)了就再做”的重復(fù)而枯燥的作業(yè)類型，取而代之的是輕松的閱讀。（二）劃定創(chuàng)新“線”，突顯數(shù)學(xué)“美”。1.多種閱讀方式連成線，體現(xiàn)
- 基于神經(jīng)網(wǎng)絡(luò)的語義選擇限制知識(shí)自動(dòng)獲取
監(jiān)督的學(xué)習(xí)，需要正例和反例，即合適的論元和不適合的論元。其他方法只需要正例，訓(xùn)練集中都是正例，以這些正例為種子，通過語義分類體系或語料分布實(shí)現(xiàn)論元的擴(kuò)展。反例并非由人工構(gòu)建，而是自動(dòng)產(chǎn)生，思想是使正例發(fā)生的可能性盡量大，反例發(fā)生的可能性盡量小。例如，對于每一個(gè)正例(v,r,n)，采用某一種策略將n替換為n′，只要(v,r,n′)不在訓(xùn)練集中出現(xiàn)或某一個(gè)統(tǒng)計(jì)指標(biāo)小于閾值(如出現(xiàn)次數(shù)、互信息值)，則把(v,r,n′)當(dāng)做反例。本文在神經(jīng)網(wǎng)絡(luò)[13]中引入預(yù)訓(xùn)練
中文信息學(xué)報(bào) 2017年1期2017-04-25
- 對比模式挖掘研究進(jìn)展
比模式是指模式在正例序列庫中是頻繁的并且在負(fù)例序列庫中是非頻繁的，Ji等人[1]設(shè)計(jì)了滿足間隙約束的最小對比模式挖掘算法ConSGapMiner算法。經(jīng)過多年的發(fā)展，對比序列模式挖掘的研究取得了較大的進(jìn)步，研究者們提出了很多性能良好的算法。Shah等人建立了一個(gè)以對比模式作為特征的分類器，應(yīng)用在多肽折疊預(yù)測問題上; Wang等人[2]首次提出將密度的概念融入到對比模式挖掘中，并設(shè)計(jì)了滿足密度約束和間隙約束的對比模式挖掘算法gd-DSPMiner算法; Du
網(wǎng)絡(luò)安全技術(shù)與應(yīng)用 2017年1期2017-03-09
- 標(biāo)點(diǎn)符號運(yùn)用典例精講
的話，則用逗號。正例 針對記者提出的網(wǎng)絡(luò)自制劇層出不窮的現(xiàn)狀，陳凱歌坦言，這幾年網(wǎng)絡(luò)自制劇泛濫，他不能確定這些人拍攝網(wǎng)絡(luò)自制劇，是否真正懷有導(dǎo)演夢，并借此走向拍攝真正的大電影。例2 公元前2500年的一張埃及草紙上，記錄了人類與癌癥的第一次相遇，但直到今天，即使輪番使出各種武器：先進(jìn)的手術(shù)、強(qiáng)烈的X射線、化學(xué)毒素搭配出的藥物，人類也不能完全從這支疾病王牌軍手中收復(fù)失地。分析 將“各種武器”后的冒號改為破折號。本句涉及冒號與破折號的區(qū)別，兩者均是表示總說與分
青蘋果·教育研究版 2016年8期2016-12-12
- 小學(xué)數(shù)學(xué)教學(xué)中如何利用反例
。學(xué)生會(huì)在反例和正例的對比當(dāng)中理解循環(huán)小數(shù)概念，而且反例一般是錯(cuò)誤的例子，可以有效地避免學(xué)生在解答關(guān)于循環(huán)小數(shù)的問題時(shí)出現(xiàn)類似的錯(cuò)誤。二、在小學(xué)數(shù)學(xué)教學(xué)中利用反例進(jìn)行教學(xué)的方法1.根據(jù)教學(xué)實(shí)際合理提出反例。在實(shí)施反例教學(xué)的時(shí)候，運(yùn)用合理的反例非常重要。教師要根據(jù)課堂學(xué)習(xí)內(nèi)容以及學(xué)生的學(xué)習(xí)情況運(yùn)用反例。首先要根據(jù)課堂內(nèi)容提出反例。教師要對章節(jié)內(nèi)容的重點(diǎn)難點(diǎn)有一個(gè)非常全面的分析，抓住學(xué)習(xí)的主要內(nèi)容，提出具有代表性的反例，讓學(xué)生能夠從反例當(dāng)中受到啟發(fā)，理解數(shù)學(xué)概
江西教育C 2016年9期2016-11-15
- 例談?dòng)洈⑽牡狞c(diǎn)題技巧
變化來詮釋主題。正例：《千雕以跨高》中雕刻木雕鯉魚的叔叔——放棄子承父業(yè)的機(jī)會(huì)——到異鄉(xiāng)余杭?xì)v經(jīng)艱辛謀生——在異鄉(xiāng)開拓市場——藝術(shù)技藝達(dá)到新的高度?！队醚獫补嘁魳贰分形倚蘖?xí)古琴——對先生高超琴藝望洋興嘆——我苦心練習(xí)，反復(fù)琢磨高難度曲目《行云流水》——琴藝突飛猛進(jìn)。反例：在《穿旗袍的女人》（35分）中，原本炒小炒的女人承包下鎮(zhèn)上所有酒店——愛穿旗袍——穿著旗袍炒菜——挑選梔子花配菜——哭訴家中男人敗家的往事。該生在敘事時(shí)重點(diǎn)不突出，許多無關(guān)的內(nèi)容雜糅其中，
語文教學(xué)與研究(綜合天地) 2016年2期2016-09-10
- 高中數(shù)學(xué)概率教學(xué)中的誤區(qū)與應(yīng)對策略分析
教學(xué)；學(xué)習(xí)興趣；正例；反例高中學(xué)生在學(xué)習(xí)概率這一內(nèi)容時(shí)，常常根據(jù)自己已有的經(jīng)驗(yàn)或者概念來進(jìn)行判斷，在學(xué)習(xí)的過程中沒有根據(jù)教師所教授的概率計(jì)算方法進(jìn)行計(jì)算和分析，而是使用可能性的猜測來完成概率計(jì)算的任務(wù)，這對于學(xué)習(xí)高中概率的內(nèi)容有著極其不良的影響。教師在教學(xué)過程中要針對這一現(xiàn)象開展教學(xué)活動(dòng)，保證高中學(xué)生能夠獲得更好的概率教學(xué)，提高學(xué)生的學(xué)習(xí)效率和最終的學(xué)習(xí)質(zhì)量，讓高中學(xué)生不僅完成知識(shí)的學(xué)習(xí)，更能夠在生活中將概率知識(shí)學(xué)以致用。一、概率教學(xué)中經(jīng)常出現(xiàn)的誤區(qū)高中數(shù)
新課程·下旬 2016年3期2016-05-10
- 例證教學(xué)在高中生物概念構(gòu)建中的應(yīng)用
。2 概念建構(gòu)中正例、反例和特例的應(yīng)用建構(gòu)概念需要豐富有代表性的事例來支撐，由大量事例支撐的概念才能讓學(xué)生真正理解、掌握和應(yīng)用。這些事例就是例證，形成概念的例證包括正例、特例和反例。2.1 利用正例、特例理解概念的外延，全面理解概念概念的正例是指包含概念所反映的本質(zhì)屬性的具體事物，是概念所反映的具體對象。正例是支持概念的具體事例，是支持概念成立的論據(jù)。概念外延中的例證絕大多數(shù)就是概念的正例。概念的特例指的是特殊的例子，雖然屬于概念的外延這一集合，但它不具有
中學(xué)生物學(xué) 2016年3期2016-04-08
- 基于聯(lián)合相容分支定界的關(guān)聯(lián)算法研究
）表示判定結(jié)果，正例判定為正例稱為真正（true positive，TP），負(fù)例判定為負(fù)例稱為真負(fù)（true negative，TN），正例判定為負(fù)例稱為假負(fù)（false negative，F(xiàn)N），負(fù)例判定為正例稱為假正（false positive，F(xiàn)P）。準(zhǔn)確率（Accuracy）反映關(guān)聯(lián)算法的整體判定能力（能將正例判定為正例，負(fù)例判定為負(fù)例），精確度（Precision）反映判定的正例中真正的正例樣本的比重，召回率（Recall）反映被正確判定的正例
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2015年15期2015-06-05
- 善以反例相輔
，即對于論點(diǎn)來講正例、反例同等重要的。反例相鋪方法中，以正例為主，反例為次，反例只是起輔助、襯托的作用。二、對比論證中、正例、反例的對比貫穿于論證的由始至終。反例相輔方法中，反例只用于正例做了充分論述之后，是一種論述的延續(xù)和深化。三、對比論證可以是事例的對比，也可以是理論的對比。反例相輔只是列舉一些反面事例，而不引用反面的理論。較好的反例往往可以給人留下深刻的印象。每當(dāng)我們想起愚公時(shí)，不也常常隨之想到愚公身邊那位大唱反調(diào)的智叟嗎？
語文周報(bào)·教研版 2015年46期2015-05-30
- “絕不”與“決不”的區(qū)別
堅(jiān)決否定的意思。正例1：決不退縮、決無二心、決不當(dāng)李自成?！敖^”作副詞用時(shí)，表示完全、絕對的意思，用在否定詞“無”“非”“不”等否定詞的前面，表示完全否定的意思。正例2：絕無此事、絕非偶然、絕不相同。“絕”還表示極、最的意思。正例3：絕大多數(shù)、技藝絕高、絕頂聰明?！皼Q”強(qiáng)調(diào)堅(jiān)決，而“絕”強(qiáng)調(diào)完全、絕對，表達(dá)的意思有差異，不能混淆。錯(cuò)例1：絕不動(dòng)搖、絕不罷休、絕不允許、絕不撤退。本意應(yīng)該是“堅(jiān)決”的意思，所以用“絕”就不對了。錯(cuò)例2：決無次品、決無惡意、決非
政工學(xué)刊 2015年6期2015-01-10
- 一種基于特征子圖的不確定圖分類算法
分別為不確定圖的正例和負(fù)例集合．假設(shè)不確定圖的各個(gè)邊是獨(dú)立的，一個(gè)不確定圖G包含某個(gè)確定圖G的概率為定義2（子圖） 子圖g＝ （V′，E′）為某個(gè)確定圖G＝（V，E）的子圖當(dāng)且僅當(dāng)V′?V且E′?E，記為g?G．通常情況下，子圖是針對確定圖而言的概念．對于不確定圖，g為G的子圖用概率表示為其中可以計(jì)算出子圖g在不確定圖集合D中的期望支持度：公式（2）可以用來計(jì)算子圖的期望支持度．給定最小支持度min＿sup，當(dāng)子圖g滿足exp（g?D）＞min＿sup，則
- 基于主題本體擴(kuò)展特征的短文本分類
樣本集合，完整的正例集合是集合X.實(shí)際上，被選擇的樣本已經(jīng)排除了負(fù)例樣本集合Y.其中，樣本x 的覆蓋范圍Coverage（x）定義如下：接著本文定義2個(gè)樣本之間的距離.對于每個(gè)樣本x＝｛x1，x2，…，xn｝和y＝｛y1，y2，…，yn｝，它們之間的距離定義為這里的距離測試ρj（xj，yj）依賴于特定的域，M 是位于0～1之間的一個(gè)正數(shù).通常，參數(shù)M 是這樣確定的假設(shè)X∪Y 沒有交集，也就是不存在2個(gè)樣本x∈Xand y∈Y，即x＝y(tǒng).對于每一個(gè)正例x＝（
- 概念教學(xué)在高中生物教學(xué)中的應(yīng)用
屬性。由于概念的正例除了共同本質(zhì)屬性以外，還有許多非本質(zhì)屬性，甚至歧義。心理學(xué)認(rèn)為，概念學(xué)習(xí)有以下二種形式：概念的形成和概念的同化。在學(xué)習(xí)“種群”概念時(shí)，教師往往例舉一些正例：一塊草地上所有的蚱蜢，一個(gè)池塘中所有的鯉魚等，同時(shí)例舉一些反例：太湖中所有的魚，惠山上所有的松樹等，然后請學(xué)生舉例，并對學(xué)生的例證做出肯定或否定的判斷。學(xué)生所接觸的例子越多，越有助于他們形成“種群”這個(gè)概念，在此基礎(chǔ)上，他們能得出種群概念的關(guān)鍵屬性：種群是一定時(shí)間和空間內(nèi)同種生物的個(gè)
課程教育研究·下 2014年4期2014-07-19
- 運(yùn)用變異理論指導(dǎo)課堂教學(xué)的“關(guān)鍵點(diǎn)”
”，僅僅認(rèn)識(shí)標(biāo)準(zhǔn)正例，而對非標(biāo)準(zhǔn)正例不理解，把概念外延縮小。擴(kuò)大概念的外延：對反例判斷失誤。學(xué)生沒有把握本質(zhì)屬性，把“看上去很像、實(shí)際上不是”的反例錯(cuò)誤地歸到概念的外延內(nèi)。錯(cuò)誤理解概念：學(xué)生對概念的理解有錯(cuò)誤。例如，學(xué)生在“角的認(rèn)識(shí)”的學(xué)習(xí)中，會(huì)錯(cuò)誤地以為“角”就是標(biāo)“角”的小弧線與“角”的兩邊上被小弧線截?cái)嗟牟糠纸菄鷪D形。在比較“角”大小的時(shí)候，會(huì)以為“角”的大小與標(biāo)“角”小弧線的長度有關(guān)。3）強(qiáng)行記憶下沒有真正理解不理解概念死記硬背。不理解公式的含義，
中國教師 2014年9期2014-06-05
- 如何把“愛”和“規(guī)矩”同時(shí)給孩子
他怎么收拾你！”正例：“寶貝，你來幫我挑3個(gè)最紅的蘋果吧?！?.表明立場：明確表達(dá)自己不同意的立場（但不攻擊孩子的人格），讓孩子了解問題本身的影響。適合行為后果較嚴(yán)重，需要及時(shí)予以糾正、明確態(tài)度的問題。案例：孩子在超市里跑來跑去反例：“你太魯莽了，晚上不許看電視！”正例：“我不喜歡你這樣，你在過道上亂跑會(huì)干擾別人購物的！”3.表明你的期望：對已經(jīng)發(fā)生的錯(cuò)誤不過分追究，并表明對孩子正確行為的期望。適合問題不大，屬于主觀上非故意的行為。案例：孩子把從家里帶出去
幸福家庭 2014年1期2014-01-25
- 給陪產(chǎn)準(zhǔn)爸的友情指導(dǎo)
義、淡漠、失望。正例：XX，我知道你特別不容易（關(guān)懷），你已經(jīng)很棒了，特別堅(jiān)強(qiáng)（贊揚(yáng)），但咱們再加把勁（鼓勵(lì)）！馬上就能見到咱們寶貝了，加油！再堅(jiān)持下，我一會(huì)叫大夫來看看進(jìn)展（喚起母性及希望）。反面教材：某日查房聽見一準(zhǔn)爸這樣說：“我知道你疼，誰生孩子都得疼，你再堅(jiān)強(qiáng)點(diǎn)唄！別說你不行啊，這事就得你來，我要能來我能讓你受罪么？你說這么半天就開一指，啥時(shí)候是個(gè)頭咱也不知道??？要不我給你揉揉腰吧？”話音未落，被媳婦大吼一聲用力推開。我趕緊進(jìn)屋：“挺好，看來姑娘勁
《女友·國際》親子版 2013年8期2013-04-29
- 決策樹ID3算法的一種改進(jìn)
青年384人，正例128人，反例256人；中年256人，正例256人，反例0人；老年252人，正例125，反例127人。老年 ： I(125，127)=0.9157 所以 ，E（年齡）=0.6877 ； G（年齡）=0.9537-0.6877 =0.2660 ；2）E（收入）=0.9361 G（收入信息增益）=0.9537-0.9361=0.0176；3）E（學(xué)生）=0.7811 G（年齡信息增益）=0.9537-0.7811=0.1726；4）E（信譽(yù)
科技傳播 2012年22期2012-10-15
- 基于顯著性特征的圖像檢索相關(guān)反饋算法研究
整方法，處理反饋正例集合中的其它正例圖像和反饋負(fù)例圖像，改進(jìn)相似性度量公式。通過這種方法進(jìn)行檢索，既有效地滿足用戶的需求，也提高了系統(tǒng)的檢索性能。3 顯著性特征的相關(guān)反饋的算法圖像特征向量若滿足相似性度量中的正定性、對稱性和三角不等性度量公理，它們之間的相似程度可以采用距離度量或統(tǒng)計(jì)學(xué)方法來進(jìn)行圖像相似性判斷[3]。因此在用戶反饋后，調(diào)整相似度計(jì)算公式或參數(shù)，重新計(jì)算相似度，以提高系統(tǒng)的檢索性能。下面我們直接討論反饋后相似度的計(jì)算。用戶提交圖像Q，用特征1
淮南師范學(xué)院學(xué)報(bào) 2012年5期2012-08-15
- 批評孩子的藝術(shù)
。你想發(fā)大水啊？正例：琳琳，浴缸里的水快溢出來了。第二步，談?wù)労⒆拥母惺?。反例：做錯(cuò)事情后，你老是一聲不吭，氣死我了！正例：你現(xiàn)在不愿意說話，似乎有點(diǎn)生氣，又有點(diǎn)委屈，能和媽媽談?wù)剢幔康谌?，說出你的感受和期待，也可以明確表達(dá)自己的不滿。反例：你真沒禮貌，總是打斷我說話！正例：如果我的話還沒有說完，就被人打斷，我會(huì)覺得不高興。第四步，討論方案。以更多的方式來替代懲罰，告訴孩子如何彌補(bǔ)自己的失誤，以解決問題的思路來替代懲罰。反例：沙發(fā)有一堆橘子皮，又是你丟的
檢察風(fēng)云 2012年16期2012-07-12
- 植物抗性基因識(shí)別中樣本選擇的一種新方法
練需要正確標(biāo)記的正例和反例。然而，抗性基因識(shí)別中可用的信息僅有少數(shù)人工標(biāo)記的抗性基因，且不具有抗性功能的基因也不明確。為了消除由于正例太少和錯(cuò)誤的反例帶來的抗性基因識(shí)別的影響，基于抗性基因和其他基因在蛋白質(zhì)相互作用網(wǎng)中的距離，提出了一種新的樣本選擇方法，并對提出的樣本選擇方法和通常樣本選擇方法分別在四種分類器上進(jìn)行了10倍交叉驗(yàn)證。結(jié)果表明，文中方法的SN值平均提高了6.9%，SP值平均提高了13.1%。因此，就敏感性和特異性而言，提出的方法獲得了更高效、
智能計(jì)算機(jī)與應(yīng)用 2012年4期2012-04-29
- 采用改進(jìn)重采樣和BRF方法的定義抽取研究
模式，則是從大量正例文本中通過結(jié)合詞匯片段和語言學(xué)標(biāo)注，結(jié)合概率模型和上下文順序來獲取不同層次的模式[6]，這種方法在一些信息抽取項(xiàng)目中已被廣泛應(yīng)用[7]。在分類階段所使用的方法包括了大多數(shù)已知的分類方法，如K-臨近(Knn)法、樸素貝葉斯(Na?ve Bayes)法、支持向量機(jī)(Svm)方法等。從報(bào)告的結(jié)果看，在針對斯拉夫語的實(shí)驗(yàn)中，單純是用機(jī)器學(xué)習(xí)方法而不使用規(guī)則模式的時(shí)候，準(zhǔn)確率最低只有不到9%(正例:反例為1∶1)，而綜合了規(guī)則模板和多分類器的方法
中文信息學(xué)報(bào) 2011年3期2011-06-14
- 語義詞典歸類不當(dāng)現(xiàn)象自動(dòng)發(fā)現(xiàn)
套規(guī)則都有各自的正例和反例；如果一個(gè)詞典中某一規(guī)則的反例同時(shí)是另一個(gè)詞典中的正例，就意味著前一部詞典中的詞語可能屬于歸類不當(dāng)。本文剩余部分組織如下： 第2節(jié)簡要敘述相關(guān)工作；第3節(jié)對平行周遍原則進(jìn)行具體化，分為雙向平行類推和成對替換類推兩類規(guī)則；第4節(jié)介紹兩類規(guī)則的自動(dòng)獲取方法；第5節(jié)介紹基于兩類平行規(guī)則自動(dòng)發(fā)現(xiàn)語義詞典歸類不當(dāng)現(xiàn)象的算法；第6節(jié)給出本文的實(shí)驗(yàn)結(jié)果；最后是結(jié)論。2 相關(guān)工作目前專門討論自動(dòng)發(fā)現(xiàn)語義詞典歸類不當(dāng)現(xiàn)象的文章很少，相關(guān)的工作主要集
中文信息學(xué)報(bào) 2011年1期2011-06-14
- 火眼金睛識(shí)成語
多人都吸引出來。正例：當(dāng)申奧成功的消息傳遍北京時(shí)，天安門廣場前萬人空巷，人們聚集在一起為祖國歡呼。2邯鄲學(xué)步誤例：“他也學(xué)舞蹈，也不看看自己那德行，真像古時(shí)候的邯鄲。”老奶奶輕蔑地說。望文生義：將成語中的“邯鄲”當(dāng)人名?；鹧劢鹁Γ骸昂悓W(xué)步”出自《莊子·秋水》，講有個(gè)燕國人，聽說邯鄲人走路姿態(tài)優(yōu)美，于是下決心去學(xué)習(xí)。沒想到他不僅沒學(xué)到邯鄲人走路的優(yōu)美姿態(tài)，還忘了自己原來走路的姿態(tài)，最后只好爬著回去。后來，人們用這個(gè)成語比喻沒有把別人的本領(lǐng)學(xué)到手，倒把自己原
學(xué)苑創(chuàng)造·B版 2009年2期2009-02-19
- 容易望文生義的成語例釋
能刊登的言論”。正例：這篇論文，觀點(diǎn)新穎，論據(jù)有力，材料豐富，文字精當(dāng)，堪稱不刊之論。2.不忍卒讀錯(cuò)例：在“文化大革命”時(shí)期，報(bào)紙謊話、空話、假話、大話連篇，令人不忍卒讀。分析：不忍心讀完。形容文章悲慘動(dòng)人，令人涕淚滿面。容易錯(cuò)解為“文章枯燥乏味而使人不想讀”。正例：讀完《梁山伯與祝英臺(tái)》這個(gè)不忍卒讀的愛情悲劇故事，她心里久久無法平靜。3.不足為訓(xùn)錯(cuò)例：這樣的小錯(cuò)誤對于整個(gè)題目的要求來說是無傷大雅、不足為訓(xùn)的，我們決不能只糾纏于細(xì)枝末節(jié)而忘了根本的目標(biāo)。分
中學(xué)語文園地(高中) 2008年5期2008-05-30