decision_function_shape

时间: 2023-04-27 10:02:31 浏览: 295
RAR

jueceshu.rar_decision tree_决策树_决策树 实验

decision_function_shape是指SVM分类器的决策函数的形状。在Scikit-learn中，decision_function_shape有两种取值：'ovr'和'ovo'。'ovr'表示一对多（One-vs-Rest）策略，即将多分类问题转化为多个二分类问题，每个类别都与其他类别进行二分类，最终得到多个二分类器。'ovo'表示一对一（One-vs-One）策略，即将多分类问题转化为多个二分类问题，每个类别都与其他类别进行二分类，最终得到C(C-1)/2个二分类器，其中C为类别数。
阅读全文

相关推荐

-

Python库decision_tree_writer下载指南

资源摘要信息:"PyPI 官网下载 | decision_tree_writer-0.2.1-py3-none-any.whl" 知识点详细说明： 1. PyPI官网: - PyPI 全称为 Python Package Index，是Python的包索引网站，相当于Python的官方软件仓库，收录了...
-

Python库decision_tree-0.03发布，PyPI官网可下载

本次资源的全名为decision_tree-0.03.tar.gz，这是一个Python库的压缩包文件，用户可以使用pip命令或Python内置的tar模块对其进行安装和管理。" 知识点详细说明： 1. PyPI（Python Package Index）介绍： PyPI是...

decision_function_shape='ovr'

decision_function_shape='ovr'是SVM（支持向量机）算法中的一个参数，用于指定多分类问题中的决策函数类型。在多分类问题中，SVM算法可以采用一对多（OvR）或一对一（OvO）的方法进行分类。decision_function_...

SVC(decision_function_shape='ovo')

decision_function_shape参数用于指定多分类问题的决策函数形状，'ovo'表示采用一对一（One-vs-One）策略，即将多类别问题转化为多个二分类问题，再将结果综合起来。另外一个选项是'ovr'，表示采用一对多（One-vs-...

decision_function_shape对模型有什么影响吗？可以不写吗？

decision_function_shape是SVM中的一个参数，用于指定对于多分类问题的决策函数形状。它可以取两个值："ovr"和"ovo"。"ovr"表示one-vs-rest形式，"ovo"表示one-vs-one形式。 对于二分类问题，不需要设置decision...

model = SVC(kernel='linear', C=1, decision_function_shape='ovr')什么意思

这行代码定义了一个支持向量机分类器（SVC）的实例对象。其中： - kernel='linear' 表示使用线性核函数；...- decision_function_shape='ovr' 表示使用一对多（one-vs-rest）策略来处理多分类问题。

SVC(C=1, kernel='rbf', gamma=0.5, decision_function_shape='ovr', probability=True) stratifiedkf = StratifiedKFold(n_splits=5)

- decision_function_shape：多分类问题的决策函数计算方式，默认为'ovr'（一对多）。 - probability：是否启用概率估计，默认为True。 StratifiedKFold对象是用于交叉验证的工具，它将数据集分成K个子集，并确保每...

model = svm.SVC(C=10, kernel='rbf', gamma=20, decision_function_shape='ovr') model.fit(X_train, y_train)

其中，C是惩罚系数，kernel是核函数，gamma是核函数的系数，decision_function_shape是决策函数的形式。fit()函数用来进行模型的训练，X_train是训练集的特征矩阵，y_train是训练集的标签。这段代码的作用是使用训练...

SVM使用一对一策略多分类OneVsOneClassifier，decision_function_shape='ovo'，进行网格搜索参数寻优，绘制混淆矩阵，并输出tn, fp, fn, tp

decision_function_shape参数指定决策函数的类型，'ovo'表示采用一对一策略，'ovr'表示采用一对多策略。 接下来，网格搜索参数寻优是指在一定范围内对SVM的参数进行组合，然后训练多个模型，最终选取表现最好的模型...

from sklearn.svm import SVC svm_classfication=SVC(decision_function_shape='ovr') svm_classfication.fit(merged_train_norm_vec, y_merged_train) svm_classfication.score(test_norm_vec,y_test)说什么意思

其中，decision_function_shape参数被设置为'ovr'，表示使用一对多的策略来解决多类别分类问题。调用fit()函数来训练模型，其中merged_train_norm_vec和y_merged_train是训练数据和标签。最后，调用score()函数来...

SVM的decision_function_shape(default=‘ovr’)：SVM是二分类的方法，扩展到多分类情况下需要一定的策略，包含‘ovo’、‘ovr’，默认为’ovr’；

是的，SVM在多分类问题中可以采用一对一（one-vs-one）或一对多（one-vs-rest）的策略。其中，'ovr'策略将每个类别看作一个二分类问题，对于每个类别，将其余所有类别作为负类，构建一个分类器，最终将所有分类器的...

create a Pipeline that uses SVC (instead of LinearSVC), and applies GridSearchCV to tune the following hyperparameters: C: From 1 to 10 as before kernel: 'linear', 'poly', 'rbf', 'sigmoid' decision_function_shape: 'ovr', 'ovo'

'svc__decision_function_shape': ['ovr', 'ovo'] } # Create the GridSearchCV object grid_search = GridSearchCV(pipeline, parameters) # Fit the pipeline on the data using GridSearchCV grid_search.fit...

# 构造svm模型并训练模型 model = svm.SVC(C=0.8, kernel='rbf', gamma=20, decision_function_shape='ovr',class_weight='balanced') model.fit(X_train, y_train)是什么意思，有没有错误，该如何修改

- decision_function_shape 参数表示多分类问题的处理方式，这里使用的是一对多（ovr）的方式。 - class_weight 参数表示样本的类别权重，'balanced' 表示样本权重与其在数据中出现的频率成反比。 这段代码中没有...

解释svm_model = svm.SVC(C=100, cache_size=200, class_weight=None, coef0=0.0, decision_function_shape='ovr', degree=3, gamma=100, kernel='rbf', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) #设置模型并写出参数

C 越小，正则化程度越大，容易欠拟合），cache_size 表示内存缓存大小，class_weight 表示类别权重，coef0 表示核函数中的截距项，decision_function_shape 表示决策函数形式，degree 表示核函数的次数，gamma 表示...

分析以下代码#!/usr/bin/python # -*- coding:utf-8 -*- import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt from sklearn import svm from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 'sepal length', 'sepal width', 'petal length', 'petal width' iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度' if __name__ == "__main__": path = 'D:\\iris.data' # 数据文件路径 data = pd.read_csv(path, header=None) x, y = data[range(4)], data[4] y = pd.Categorical(y).codes x = x[[0, 1]] x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1, train_size=0.6) # 分类器 clf = svm.SVC(C=0.1, kernel='linear', decision_function_shape='ovr') # clf = svm.SVC(C=0.8, kernel='rbf', gamma=20, decision_function_shape='ovr') clf.fit(x_train, y_train.ravel()) # 准确率 print (clf.score(x_train, y_train)) # 精度 print ('训练集准确率：', accuracy_score(y_train, clf.predict(x_train))) print (clf.score(x_test, y_test)) print ('测试集准确率：', accuracy_score(y_test, clf.predict(x_test))) # decision_function print ('decision_function:\n', clf.decision_function(x_train)) print ('\npredict:\n', clf.predict(x_train)) # 画图 x1_min, x2_min = x.min() x1_max, x2_max = x.max() x1, x2 = np.mgrid[x1_min:x1_max:500j, x2_min:x2_max:500j] # 生成网格采样点 grid_test = np.stack((x1.flat, x2.flat), axis=1) # 测试点 # print 'grid_test = \n', grid_test # Z = clf.decision_function(grid_test) # 样本到决策面的距离 # print Z grid_hat = clf.predict(grid_test) # 预测分类值 grid_hat = grid_hat.reshape(x1.shape) # 使之与输入的形状相同 mpl.rcParams['font.sans-serif'] = [u'SimHei'] mpl.rcParams['axes.unicode_minus'] = False cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF']) cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b']) plt.figure(facecolor='w') plt.pcolormesh(x1, x2, grid_hat, shading='auto', cmap=cm_light) plt.scatter(x[0], x[1], c=y, edgecolors='k', s=50, cmap=cm_dark) # 样本 plt.scatter(x_test[0], x_test[1], s=120, facecolors='none', zorder=10) # 圈中测试集样本 plt.xlabel(iris_feature[0], fontsize=13) plt.ylabel(iris_feature[1], fontsize=13) plt.xlim(x1_min, x1_max) plt.ylim(x2_min, x2_max) plt.title(u'鸢尾花SVM二特征分类', fontsize=16) plt.grid(b=True, ls=':') plt.tight_layout(pad=1.5) plt.show()

6. 使用 predict() 函数对训练集进行预测，并输出 decision_function() 函数计算出的样本到决策面的距离。 7. 使用 meshgrid() 函数生成二维网格采样点，并使用 predict() 函数对每个采样点进行分类预测，将预测...

使用sklearn.svm类对手写体数字图片进行分类 训练数据：digits_training.csv 测试数据：digits_testing.csv 第1列是类别，其他列是特征属性。 代码要求： 1· 载入训练数据、分出特征属性和类别，对特征属性标准化，显示读入数据的行数 xTrain = trainData[:,1:NTrain] yTrain = trainData[:,0] 标准化函数 def normalizeData(X): return (X - X.mean())/X.max() 2·训练多分类SVM模型 model = svm.SVC(decision_function_shape='ovo') 3·载入测试数据，分出特征属性和类别，对特征属性标准化，显示读入数据的行数 4·使用模型对测试集进行预测，显示预测错误数据的数目、预测数据的准确率

model = svm.SVC(decision_function_shape='ovo') model.fit(xTrain, yTrain) # 载入测试数据 testData = np.loadtxt('digits_testing.csv', delimiter=',') xTest = testData[:, 1:NTrain] yTest = testData[:, 0]...

def svmModel(x_train,x_test,y_train,y_test,type): if type=='rbf': svmmodel=svm.SVC(C=15,kernel='rbf',gamma=10,decision_function_shape='ovr') else: svmmodel=svm.SVC(C=0.1,kernel='linear',decision_function_shape='ovr') svmmodel.fit(x_train,y_train.ravel()) print('SVM模型:',svmmodel) train_accscore=svmmodel.score(x_train,y_train) test_accscore=svmmodel.score(x_test,y_test) n_support_numbers=svmmodel.n_support_ return svmmodel,train_accscore,test_accscore,n_support_numbers if __name__=='__main__': iris_feature='花萼长度','花萼宽度','花瓣长度','花瓣宽度' path="D:\data\iris(1).data" data=pd.read_csv(path,header=None) x,y=data[[0,1]],pd.Categorical(data[4]).codes x_train,x_test,y_train,y_test=train_test_split(x,y,random_state=3,train_size=0.6) type='linear' svmmodel,train_accscore,test_accscore,n_support_numbers=svmModel(x_train,x_test,y_train,y_test,type) print('训练集准确率：',train_accscore) print('测试机准确率：',test_accscore) print('支持向量的数目：',n_support_numbers) print('-' * 50) if __name__=='__main__': path='D:/data/iris1-100.data' data=pd.read_csv(path,header=None) x=data[list(range(2,4))] y=data[4].replace(['Iris-versicolor','Iris-virginica'],[0,1]) svmmodel_param=(('linear',0.1),('rbf',1,0.1),('rbf',5,5),('rbf',10,10)) for i, param in enumerate(svmmodel_param): svmmodel,title,accuracyscore=svmModel(x,y,param[0]) y_predict=svmmodel.predict(x) print(title) print('准确率：',accuracyscore) print('支持向量的数目：',svmmodel.n_support_) plt.scatter(x[2],x[3],c=y,edgecolors='k',s=40,cmap=cm_dark) plt.scatter(x.loc[svmmodel.support_,2],x.loc[svmmodel.support_,3],degecolor='k',facecolors='none',s=100,marker='o') z=svmmodel.decision_function(grid_test) z=z.reshape(x1.shape) plt.contour(x1,x2,z,colors=list('kbrbk'),linestyles=['--','--','-','--','--'],linewidths=[1,0.5,11.5,0.5,1],levels=[-1,-0.5,0,0.5,1])检查错误

这段代码有两个主要问题： 1. 在调用 svmModel 函数时，传入的参数与函数定义的参数不一致。函数定义的参数为 (x_train, x_test, y_train, y_test, type)，但在调用时只传入了前四个参数，没有传入 type 参数。...

Traceback (most recent call last): File "C:\Users\86188\PycharmProjects\pythonProject8\src\svm1.py", line 86, in <module> svm_model = GridSearchCV(svm_model, params, cv=5) File "C:\Python37\lib\site-packages\sklearn\model_selection\_search.py", line 1388, in __init__ _check_param_grid(param_grid) File "C:\Python37\lib\site-packages\sklearn\model_selection\_search.py", line 338, in _check_param_grid " with one element.".format(name, type(v)) ValueError: Parameter grid for parameter (kernel) needs to be a list or numpy array, but got (<class 'str'>). Single values need to be wrapped in a list with one element. hello Best Parameter: {'kernel': 'rbf', 'C': 1, 'gamma': 'auto', 'decision_function_shape': 'ovo', 'random_state': [2017]} 进程已结束,退出代码1

你可以尝试修改参数grid的值，将kernel参数改为一个列表，例如：{'kernel':['rbf'], 'C':[1], 'gamma':['auto'], 'decision_function_shape':['ovo'], 'random_state':[[2017]]}。注意，这里的kernel参数是一个包含...

Z = clf.decision_function(xy).reshape(X.shape)

- decision_function 是分类器中的一个方法，用于计算给定输入数据点的分类得分。 - xy 是一个二维数组，表示输入数据点的坐标。它的形状为 (n_samples, n_features)，其中 n_samples 是数据点的数量，n_features 是...

最新推荐

recommend-type

java毕设项目之ssm基于SSM的高校共享单车管理系统的设计与实现+vue(完整前后端+说明文档+mysql+lw).zip

项目包含完整前后端源码和数据库文件 环境说明： 开发语言：Java 框架：ssm，mybatis JDK版本：JDK1.8 数据库：mysql 5.7 数据库工具：Navicat11 开发软件：eclipse/idea Maven包：Maven3.3 服务器：tomcat7
recommend-type

YOLO算法-贴纸检测数据集-212张图像带标签-部分覆盖-未涵盖-完全覆盖.zip

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值； 【注】可以下拉页面，在资源详情处查看标签具体内容；
recommend-type

zigbee CC2530无线自组网协议栈系统代码实现协调器按键控制终端LED灯和继电器动作.zip

1、嵌入式物联网单片机项目开发例程，简单、方便、好用，节省开发时间。 2、代码使用IAR软件开发，当前在CC2530上运行，如果是其他型号芯片，请自行移植。 3、软件下载时，请注意接上硬件，并确认烧录器连接正常。 4、有偿指导v：wulianjishu666; 5、如果接入其他传感器，请查看账号发布的其他资料。 6、单片机与模块的接线，在代码当中均有定义，请自行对照。 7、若硬件有差异，请根据自身情况调整代码，程序仅供参考学习。 8、代码有注释说明，请耐心阅读。 9、例程具有一定专业性，非专业人士请谨慎操作。
recommend-type

手语图像分类数据集【已标注，约2,500张数据】

手语图像分类数据集【已标注，约2,500张数据】 分类个数【36】：0、1、a、b等【具体查看json文件】 划分了训练集、测试集。存放各自的同一类数据图片。如果想可视化数据集，可以运行资源中的show脚本。 CNN分类网络改进：https://blog.csdn.net/qq_44886601/category_12858320.html 【更多图像分类、图像分割（医学）、目标检测（yolo）的项目以及相应网络的改进，可以参考本人主页：https://blog.csdn.net/qq_44886601/category_12803200.html】
recommend-type

Java毕业设计项目：校园二手交易网站开发指南

资源摘要信息:"Java是一种高性能、跨平台的面向对象编程语言，由Sun Microsystems（现为Oracle Corporation）的James Gosling等人在1995年推出。其设计理念是为了实现简单性、健壮性、可移植性、多线程以及动态性。Java的核心优势包括其跨平台特性，即“一次编写，到处运行”（Write Once, Run Anywhere），这得益于Java虚拟机（JVM）的存在，它提供了一个中介，使得Java程序能够在任何安装了相应JVM的设备上运行，无论操作系统如何。 Java是一种面向对象的编程语言，这意味着它支持面向对象编程（OOP）的三大特性：封装、继承和多态。封装使得代码模块化，提高了安全性；继承允许代码复用，简化了代码的复杂性；多态则增强了代码的灵活性和扩展性。 Java还具有内置的多线程支持能力，允许程序同时处理多个任务，这对于构建服务器端应用程序、网络应用程序等需要高并发处理能力的应用程序尤为重要。 自动内存管理，特别是垃圾回收机制，是Java的另一大特性。它自动回收不再使用的对象所占用的内存资源，这样程序员就无需手动管理内存，从而减轻了编程的负担，并减少了因内存泄漏而导致的错误和性能问题。 Java广泛应用于企业级应用开发、移动应用开发（尤其是Android平台）、大型系统开发等领域，并且有大量的开源库和框架支持，例如Spring、Hibernate、Struts等，这些都极大地提高了Java开发的效率和质量。 标签中提到的Java、毕业设计、课程设计和开发，意味着文件“毕业设计---社区（校园）二手交易网站.zip”中的内容可能涉及到Java语言的编程实践，可能是针对学生的课程设计或毕业设计项目，而开发则指出了这些内容的具体活动。 在文件名称列表中，“SJT-code”可能是指该压缩包中包含的是一个特定的项目代码，即社区（校园）二手交易网站的源代码。这类网站通常需要实现用户注册、登录、商品发布、浏览、交易、评价等功能，并且需要后端服务器支持，如数据库连接和事务处理等。考虑到Java的特性，网站的开发可能使用了Java Web技术栈，如Servlet、JSP、Spring Boot等，以及数据库技术，如MySQL或MongoDB等。"
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【MVC标准化：肌电信号处理的终极指南】：提升数据质量的10大关键步骤与工具

![MVC标准化](https://img-blog.csdn.net/20160221141956498) # 摘要 MVC标准化是肌电信号处理中确保数据质量的重要步骤，它对于提高测量结果的准确性和可重复性至关重要。本文首先介绍肌电信号的生理学原理和MVC标准化理论，阐述了数据质量的重要性及影响因素。随后，文章深入探讨了肌电信号预处理的各个环节，包括噪声识别与消除、信号放大与滤波技术、以及基线漂移的校正方法。在提升数据质量的关键步骤部分，本文详细描述了信号特征提取、MVC标准化的实施与评估，并讨论了数据质量评估与优化工具。最后，本文通过实验设计和案例分析，展示了MVC标准化在实践应用中的具
recommend-type

能否提供一个在R语言中执行Framingham数据集判别分析的详细和完整的代码示例？

当然可以。在R语言中，Framingham数据集是一个用于心血管疾病研究的经典数据集。以下是使用`ggfortify`包结合` factoextra`包进行判别分析的一个基本步骤： 首先，你需要安装所需的库，如果尚未安装，可以使用以下命令： ```r install.packages(c("ggfortify", "factoextra")) ``` 然后加载所需的数据集并做预处理。Framingham数据集通常存储在`MASS`包中，你可以通过下面的代码加载： ```r library(MASS) data(Framingham) ``` 接下来，我们假设你已经对数据进行了适当的清洗和转换
recommend-type

Blaseball Plus插件开发与构建教程

资源摘要信息:"Blaseball Plus" Blaseball Plus是一个与游戏Blaseball相关的扩展项目，该项目提供了一系列扩展和改进功能，以增强Blaseball游戏体验。在这个项目中，JavaScript被用作主要开发语言，通过在package.json文件中定义的脚本来完成构建任务。项目说明中提到了开发环境的要求，即在20.09版本上进行开发，并且提供了一个flake.nix文件来复制确切的构建环境。虽然Nix薄片是一项处于工作状态（WIP）的功能且尚未完全记录，但可能需要用户自行安装系统依赖项，其中列出了Node.js和纱（Yarn）的特定版本。 ### 知识点详细说明： #### 1. Blaseball游戏： Blaseball是一个虚构的棒球游戏，它在互联网社区中流行，其特点是独特的规则、随机事件和社区参与的元素。 #### 2. 扩展开发： Blaseball Plus是一个扩展，它可能是为在浏览器中运行的Blaseball游戏提供额外功能和改进的软件。扩展开发通常涉及编写额外的代码来增强现有软件的功能。 #### 3. JavaScript编程语言： JavaScript是一种高级的、解释执行的编程语言，被广泛用于网页和Web应用的客户端脚本编写，是开发Web扩展的关键技术之一。 #### 4. package.json文件： 这是Node.js项目的核心配置文件，用于声明项目的各种配置选项，包括项目名称、版本、依赖关系以及脚本命令等。 #### 5.构建脚本： 描述中提到的脚本，如`build:dev`、`build:prod:unsigned`和`build:prod:signed`，这些脚本用于自动化构建过程，可能包括编译、打包、签名等步骤。`yarn run`命令用于执行这些脚本。 #### 6. yarn包管理器： Yarn是一个快速、可靠和安全的依赖项管理工具，类似于npm（Node.js的包管理器）。它允许开发者和项目管理依赖项，通过简单的命令行界面可以轻松地安装和更新包。 #### 7. Node.js版本管理： 项目要求Node.js的具体版本，这里是14.9.0版本。管理特定的Node.js版本是重要的，因为在不同版本间可能会存在API变化或其他不兼容问题，这可能会影响扩展的构建和运行。 #### 8. 系统依赖项的安装： 文档提到可能需要用户手动安装系统依赖项，这在使用Nix薄片时尤其常见。Nix薄片（Nix flakes）是一个实验性的Nix特性，用于提供可复现的开发环境和构建设置。 #### 9. Web扩展的工件放置： 构建后的工件放置在`addon/web-ext-artifacts/`目录中，表明这可能是一个基于WebExtension的扩展项目。WebExtension是一种跨浏览器的扩展API，用于创建浏览器扩展。 #### 10. 扩展部署： 描述中提到了两种不同类型的构建版本：开发版（dev）和生产版（prod），其中生产版又分为未签名（unsigned）和已签名（signed）版本。这些不同的构建版本用于不同阶段的开发和发布。 通过这份文档，我们能够了解到Blaseball Plus项目的开发环境配置、构建脚本的使用、依赖管理工具的运用以及Web扩展的基本概念和部署流程。这些知识点对于理解JavaScript项目开发和扩展构建具有重要意义。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依