Häufig gestellte Fragen

483 Fragen gefunden.

Page 6 / 10

Die Aktion buildModel erstellt ein leeres Deep-Learning-Modell....

Der erforderliche Parameter ist 'modelTable', der den Namen einer In-Memory-Tabelle angibt, die zum Speichern des Modells verwendet wird....

Die Aktion buildModel kann drei Arten von Modellen erstellen: 'CNN' (Convolutional Neural Network), 'DNN' (Deep Neural Network) und 'RNN' (Recurrent Neural Network). Der Standardtyp ist 'DNN'....

Der Parameter 'type' gibt den zu erstellenden Modelltyp an. Die möglichen Werte sind 'CNN' für ein Convolutional Neural Network, 'DNN' für ein tiefes, vollständig verbundenes neuronales Netzwerk und 'RNN' für ein rekurrierendes neuronales Netzwerk....

Die `buildSurface`-Aktion erstellt Oberflächen aus 3D-biomedizinischen Bildern....

Die erforderlichen Parameter sind `images`, `outputFaces` und `outputVertices`. `images` gibt die Eingabebildtabelle an. `outputFaces` gibt die Ausgabetabelle an, die die Oberflächenflächen enthält. `outputVertices` gibt die Ausgabetabelle an, die die Oberflächeneckpunkte enthält....

Sie können den `smoothing`-Parameter verwenden, um die erzeugte Oberfläche zu glätten. Dieser Parameter hat zwei Unterparameter: `iterations`, um die maximale Anzahl von Glättungsiterationen festzulegen, und `relaxationFactor`, um den Grad der Glättung in jeder Iteration zu bestimmen....

Der Parameter `intensities` gibt die Intensitätswerte der gewünschten Regionen an, aus denen Oberflächen erstellt werden sollen....

Der `thresholds`-Parameter gibt die Schwellenwerte der gewünschten Regionen an. Er verwendet die Unterparameter `low` und `high`, um den unteren bzw. oberen Schwellenwert zu definieren....

Die `caEffect`-Aktion bietet modellunabhängige Methoden zur Schätzung von potenziellen Ergebnismitteln (Potential Outcome Means) und kausalen Effekten von kategorialen Behandlungen....

Die Aktion unterstützt mehrere Methoden, die über den `method`-Parameter festgelegt werden: 'AIPW' (Augmented Inverse Probability Weighting), 'IPW' (Inverse Probability Weighting), 'REGADJ' (Regression Adjustment) und 'TMLE' (Targeted Maximum Likelihood Estimation)....

Die 'IPW'-Methode (Inverse Probability Weighting) verwendet die beobachteten Ergebniswerte und die vorhergesagten Behandlungswahrscheinlichkeiten. Die 'AIPW'-Methode (Augmented Inverse Probability Weighting) ist eine doppelt robuste Methode, die zusätzlich zu den von 'IPW' benötigten Informationen...

Die zu schätzenden potenziellen Ergebnisse werden mit dem `pom`-Parameter spezifiziert. Für jedes potenzielle Ergebnis müssen Sie das Behandlungslevel (`trtLev`) angeben. Abhängig von der gewählten Methode müssen Sie auch die Variable für die vorhergesagte Behandlungswahrscheinlichkeit (`trtP...

Ja, der `difference`-Parameter wird verwendet, um kausale Effekte auf der Differenzskala zu schätzen. Sie können eine Liste von Vergleichen definieren, indem Sie jeweils ein Ereignislevel (`evtLev`) und ein Referenzlevel (`refLev`) angeben....

Die Aktion kann kontinuierliche ('CONTINUOUS'), binomiale ('BINOMIAL') und kategoriale ('CATEGORICAL') Ergebnisvariablen verarbeiten. Der Typ wird im `outcomeVar`-Parameter mit dem Unterparameter `type` festgelegt....

Die Aktion `calculateErrorRate` berechnet die Fehlerraten von Zeichen, Wörtern und Sätzen, indem sie Hypothesen- und Referenztranskripte vergleicht....

Die Aktion erfordert zwei Eingabetabellen: eine Referenztabelle, die durch den Parameter `reference` angegeben wird und die wahren Transkripte enthält, und eine Hypothesentabelle, die durch den Parameter `table` (Alias: `hypothesis`) angegeben wird und die zu vergleichenden Transkripte enthält....

Sie können die Spalten für IDs und Text mit den Parametern `referenceId` und `referenceText` für die Referenztabelle sowie `tableId` und `tableText` für die Hypothesentabelle angeben. Wenn diese nicht angegeben werden, geht die Aktion standardmäßig davon aus, dass die erste Spalte die ID und d...

Die Hauptfunktion der `calculateErrorRate`-Aktion besteht darin, die Genauigkeit von Spracherkennungssystemen zu bewerten. Dies geschieht durch den Vergleich der generierten Transkripte (Hypothesen) mit einem korrekten Referenztext und die anschließende Berechnung der Fehlerraten auf Zeichen-, Wort...

Die `caslibInfo`-Aktion zeigt Informationen zu Caslibs an....

Setzen Sie den Parameter `active` auf TRUE. Wenn Sie den `caslib`-Parameter nicht angeben, werden Informationen für die aktive Caslib angezeigt....

Verwenden Sie den Parameter `caslib`, um den Namen der Caslib anzugeben, für die Informationen angezeigt werden sollen. Wenn dieser Parameter nicht angegeben wird, werden Informationen für alle Caslibs angezeigt....

Ja, indem Sie den Parameter `showHidden` auf TRUE setzen. Dadurch werden auch versteckte Caslibs in die Ergebnisse einbezogen, wenn Informationen für alle Caslibs angefordert werden....

Ja, verwenden Sie den Parameter `srcType`, um den Typ der anzuzeigenden Caslibs anzugeben. Mögliche Werte sind "ALL", "DNFS", "ESP", "LASR", "PATH" oder "S3". Dieser Parameter wird ignoriert, wenn der `caslib`-Parameter ebenfalls angegeben ist....

Setzen Sie den Parameter `verbose` auf TRUE, um detailliertere Ergebnisse zu erhalten....

Die `cChart`-Aktion im Aktionssatz für statistische Prozesskontrolle (SPC) wird verwendet, um c-Regelkarten zu erstellen. Diese Karten dienen zur Überwachung der Anzahl von Fehlern oder Nichtkonformitäten in Untergruppen konstanter Größe....

Die Aktion erfordert eine Eingabetabelle (`table`), die die Prozessdaten enthält. Jede Zeile sollte eine Untergruppe mit der Anzahl der Nichtkonformitäten für diese Untergruppe darstellen. Sie müssen die Prozessvariable (die die Fehleranzahl enthält) und die Untergruppenvariable angeben....

Die Kontrollgrenzen für eine c-Regelkarte basieren auf der Poisson-Verteilung. Die Mittellinie ist der Durchschnitt der Fehleranzahl (c-bar). Die oberen und unteren Kontrollgrenzen (OKG und UKG) werden typischerweise als c-bar ± 3 * sqrt(c-bar) berechnet. Der Parameter `sigmas` kann verwendet werd...

Dies sind statistische Tests, die verwendet werden, um nicht zufällige Muster in den Datenpunkten der Regelkarte zu identifizieren, die auf 'spezielle Ursachen' für Variationen hindeuten. Die `cChart`-Aktion unterstützt Standardtests (bekannt als Western Electric-Regeln), wie z. B. einen Punkt au...

Die `cChart`-Aktion kann zwei Hauptausgabetabellen erstellen: eine Zusammenfassungstabelle für die Regelkarte (`chartsTable`), die die Kontrollgrenzen und die für jede Untergruppe aufgetragenen Punkte enthält, und eine Grenzwerttabelle (`outLimitsTable`), die die berechneten Kontrollgrenzparamete...

Die `cdm`-Aktion erstellt angeforderte Stichproben einer zusammengesetzten Verteilung. Sie ist Teil des 'Aggregate Loss Modeling' Aktionssatzes und dient der Modellierung von Gesamtschäden....

Die `cdm`-Aktion unterstützt drei Haupttypen von Gesamtschadenmodellen, die über den Parameter `aggLossModelType` spezifiziert werden:
1. **COLLECTIVERISK (Kollektives Risiko)**: Berechnet den Gesamtschaden als Summe von iid-Schadenhöhenvariablen, wobei die Anzahl der Terme einer Zählverteilung ...

Sie können die Schadenhöhenverteilung mit einem der folgenden Parameter spezifizieren:
- **severityDefinitions**: Gibt eine CAS-Tabelle an, die die Definitionen der Schadenhöhenverteilungen enthält.
- **severityStore**: Gibt eine Item-Store-Tabelle an, die von der `severity`-Aktion erstellt wurd...

Die Parameter-Perturbationsanalyse bewertet die Auswirkung der Unsicherheit in den Modellparametern auf die aggregierte Verlustverteilung. Sie wird aktiviert, indem der Parameter `nPerturbedSamples` auf einen Wert größer als 0 gesetzt wird. Die Aktion erzeugt dann gestörte Stichproben, indem sie ...

Die `cdm`-Aktion bietet mehrere Parameter zum Speichern der Ergebnisse:
- **output**: Speichert die generierte Stichprobe des Gesamtschadens in einer Ausgabetabelle. Der Name der Tabelle und der Variablen kann angepasst werden.
- **outsum**: Schreibt zusammenfassende Statistiken und Perzentile der s...

Die `cdm`-Aktion erstellt angeforderte Stichproben einer zusammengesetzten Verteilung. Sie ist Teil des 'Aggregate Loss Modeling' Aktionssatzes und wird verwendet, um Gesamtschäden mithilfe von Modellen für zusammengesetzte Verteilungen zu modellieren....

Die Aktion unterstützt drei Haupttypen von Modellen für den Gesamtschaden, die über den Parameter `aggLossModelType` spezifiziert werden: `COLLECTIVERISK` (Kollektivrisikomodell), `CUSTOM` (benutzerdefiniertes Modell) und `PUREPREMIUM` (reines Prämienmodell)....

Sie müssen die Definitionen der Schadenshöhenverteilung mit dem Parameter `severityDefinitions` angeben, der auf eine CAS-Tabelle verweist. Zusätzlich können Sie Parameterschätzungen aus einer von der `severity`-Aktion erstellten Element-Store-Tabelle mit dem Parameter `severityStore` oder aus ...

Der Parameter `nPerturbedSamples` gibt die Anzahl der zu erzeugenden gestörten Stichproben an, um eine Parameter-Störungsanalyse durchzuführen. Dies hilft bei der Bewertung der Sensitivität des Modells gegenüber Variationen in den Eingangsparametern....

Die `centrality`-Aktion berechnet die Zentralitätsmetriken eines Graphen....

Diese Aktion kann verschiedene Zentralitätsmetriken berechnen, darunter Betweenness, Closeness, Degree, Eigenvector, PageRank, Authority, Hub und Influence Centrality....

Verwenden Sie den Parameter `direction`, den Sie auf `DIRECTED` für einen gerichteten Graphen oder `UNDIRECTED` für einen ungerichteten Graphen einstellen können....

Der Parameter `closeNoPath` steuert dieses Verhalten. Sie können Methoden wie `DIAMETER` (verwendet den Graphdurchmesser plus eins), `NNODES` (verwendet die Anzahl der Knoten), `HARMONIC` (verwendet eine harmonische Formel) oder `ZERO` (verwendet Null) als Abstand für nicht verbundene Knotenpaare ...

Mit dem Parameter `eigenAlgorithm` können Sie zwischen der Potenzmethode (`POWER`), dem Jacobi-Davidson-Algorithmus (`JACOBIDAVIDSON`) oder der automatischen Auswahl durch das System (`AUTOMATIC`) wählen....

Ja, indem Sie den Parameter `betweenNorm` auf `TRUE` setzen, wird die Berechnung der Betweenness-Zentralität normalisiert....

Die `centrality`-Aktion wird verwendet, um verschiedene Zentralitätsmetriken für die Knoten eines Graphen zu berechnen. Diese Metriken helfen dabei, die Wichtigkeit oder den Einfluss von Knoten in einem Netzwerk zu verstehen....

Sie können eine Vielzahl von Metriken berechnen, darunter: Grad-Zentralität (`degree`), Betweenness-Zentralität (`between`), Closeness-Zentralität (`close`), Eigenvektor-Zentralität (`eigen`), Autoritäts- und Hub-Zentralität (`auth`, `hub`), PageRank und Einfluss-Zentralität (`influence`). Z...

Verwenden Sie den Parameter `direction`. Setzen Sie ihn auf `"DIRECTED"` für einen gerichteten Graphen oder `"UNDIRECTED"` für einen ungerichteten Graphen. Der Standardwert ist `"UNDIRECTED"`....

Ja. Für viele Metriken wie `degree`, `between`, `close`, `eigen`, `hub`, `auth` und `pageRank` können Sie angeben, ob die Berechnung auf einem ungewichteten (`"UNWEIGHT"`), einem gewichteten (`"WEIGHT"`) oder beiden (`"BOTH"`) Graphen basieren soll....

Der Parameter `closeNoPath` steuert dieses Verhalten. Sie können zwischen vier Methoden wählen: `"DIAMETER"` (Standard), `"HARMONIC"`, `"NNODES"` oder `"ZERO"`, um den Abstand für nicht erreichbare Knoten zu definieren....