常微分方程在狄利克雷边界条件下的高精度解法——Richardson 外推法与紧差分法
声明
本部分是一个学习笔记,主要内容来自于华冬英老师编写的《微分方程的数值解法与程序实践》。如果觉得内容不错,可自行购买价格良心的官方正版教材。http://www.hxedu.com.cn.上有配套的代码以PPT课件可供免费下载。另外,官方代码均用C语言编写,之后我也会陆陆续续上传自己编写的Python代码。
本部分内容公式太多实在懒得敲了,因此以图片形式呈现,基本能满足学习要求。不过也同时上传了文字可复制的PDF版本,内容与图片版本完全一致。感兴趣的话可在 https://download.csdn.net/download/liuqihang11/77976990下载,不过需要付费1.99元,请按需下载。
syphomn: 另外 数据飘移确实没办法避免 预测与验证测试数据集分布总会有一些偏移 这也是预测误差的来源。就算在归一化的时候把验证测试这些集都抛开 只考虑训练集 对未知数据预测的时候您用训练集数据做反归一 那其实也假设了他们的分布就是一致的
syphomn: 均值和方差是对整个数据集而言的 不是对某个数据 我没有特意用测试集数据归一化预测数据呀 这个肯定是不允许的 我只是认为预测集 训练集 测试集与全体数据的分布均一致 所以就没有单独把测试集抛出来再做归一化 这么做是合理的 因为训练出的模型只对与训练所用数据集分布相似的数据有效 如果是否添加测试集会明显影响训练集数据分布 那显然您的测试集超出了模型应用范围
llxblhyvia: 1. 同一个scaler多次fit不同的数据,最后这个scaler存储的肯定是最后一个数据的均值和方差呀,所以没法还原x。2. 这个也是我想跟您探讨的,如果我们要参加一个比赛,测试集标签不给你,你只能盲上传你的网络,或者在实际应用中想要预测未来的,没有测试集标签分布,而且测试集分布可能就是跟现在不太一样,那请问要怎么来恢复prediction呢?
syphomn: 没太听懂您的问题。恢复x的时候就是应该用原数据的分布来恢复啊 恢复预测值的时候认为预测值的分布与训练模型的标签分布是一样的
llxblhyvia: 朋友你用同一个scaler 先后fit了X和Y之后,再直接用scaler.inverse_transform(x)来恢复x 这不是直接把X化成了y的量纲了吗;然后后面还是用这个带有y的均值和方差的scaler去恢复prediction不就直接给了prediction正确的均值和方差了吗?