交叉验证
deephub优质科技领域创作者
9个时间序列交叉验证方法的介绍和对比
孰善？孰恶？
多读史料，交叉验证，用自己脑子思考，不随波逐流，不人云亦云，难能可贵
赵盛烨
有人问我如何看待秦桧诛杀岳飞，我想了想，气笑了。 我说，辩证唯物主义者认为，正和反是相对的，也是能够互相转化的，所以对
区块链不是简单的“分布式共享数据库”，不是简单的冗余数据存储，而是一套令众人就事实达成共识的流程与模式，是一个“事实库”，或者“事实机”。基于数字签名的交叉验证是区块链确保事实上链、共识上链的关键手段。这是区块链应用当中极为重要的一点，却历来为人所忽略。
区块链实际上有一套办法来提高上链数据的可信性。这套办法的核心就是刚才提到的“交叉验证”。
重要的事情说三遍：交叉验证、交叉验证和交叉验证是区块链确保链上信息真实可信的关键手段！
对报道信息进行交叉验证，监督性报道做到“三见面”，新闻报道要包含五个W和一个H六要素。
这本是非常非常简单的常识性东西，但现在能做到的媒体已经凤毛麟角。
写作采访时常常遇到“罗生门”，即各执一词，真相扑朔迷离。交叉验证很重要，即一个核心信息（以是否影响真相为标准），必须要有三方或以上信源的交叉印证，方可使用，且要标明信源和各方说法。
这面“照妖镜”简单实用，却着实要多费功夫。它的吊诡之处在于：你不用来照真相之妖，它就反观你内心之妖——采访是笨功夫，那些偷懒、侥幸和投机取巧都被暗中记录在案，伺机反噬。这铁律，谁也逃不了。#写作#
学习高点逃法，设一个21天线，找出前期高点，划出水平线，突破高点后与21交叉垂直点，大概是阶段性高点，朋友们可以验证一下自已个股哦！[赞][赞][赞][赞][赞][赞][赞]
重访737MAX和MCAS话题
这是老话题了。本来没什么新意可侃，但看到Smithsonian上一段节目，解开了一个谜：为什么MCAS会只用一个迎角传感器。
MCAS的两次致命失事都是因为迎角传感器故障。要命的是，这是单信号源，没有交叉校验和备份，完全不符合关键控制系统的基本可靠性要求。这是大学毕业设计都不敢犯的初级错误，波音怎么会栽在这上面？
按照电视上的说法（没看到是否ACI的，没看到片头，后半段都在讲FAA失职的事情，没有新意，跳过去不看了），MCAS最初是为高空失速设计的，避免飞行员出于本能拉杆、加推力，这是法航443的失事情况。在这个时候，MCAS是迎角传感器和速度、加速度传感器交叉检验的。
但后来发现，起飞时也可能出现上扬问题。这可能是发动机增大直径而被迫前移的结果，在大迎角飞行时，迎面气动压力形成额外的上扬力矩。为了维持与NG相同的手感，MCAS也用于这个设定，自动压一点机头。问题起飞时速度、加速度都小，所以MCAS只能把速度、加速度传感器的交叉检验取消，就剩迎角传感器了。
这是scope creep的问题，也是设计改变时的工程管理问题。一般设计改变都是细节改变，但涉及设计基础的改变，就要特别小心，很多原先论证和验证过没问题的地方，都必须重新论证和检验，MCAS就是出大乱子的情况。这将成为全世界工程教育里风险管理的失败范例年年讲月月讲天天讲。
用软件模拟原有操作习惯没错，能安全做到的话，应该多多普及，降低重新培训的成本。错在技术风险管理上。
很多人指责没有飞行员的换型训练，这貌似有道理，但实际上没有触及问题的实质。MCAS的目的就是维持原来的操控感觉。迎角传感器失效导致的问题严重性是设计时没有考虑到的，训练中就不会有这样的“考题”。波音只要求２小时iPad培训就可以换型。如果MCAS设计达标，这2小时还真是足够了，再多就是給老司机上驾考课了。但MCAS设计出了问题，额外的培训并不解决问题。想不到的就考不到，再培训也白搭。
还有一个问题是手册里没有详细描述MCAS的功能。这也是似是而非的。现代软件的功能太多了，太具体的描述使得手册根本不可读，也没人能记得住。MCAS可不是唯一的改动。有谁把手机从iPhone11换到12时，去把手册全部重读一遍的？新买汽车的手册？估计手册里对一些“显而易见”的改动也不会详细描述，尽管MCAS的改变在这里远远不是显而易见的。
FAA把80%的认证“外包”給波音，这是另一个大错误。但随着系统功能和复杂性的爆炸性提高，FAA要全部包干认证，需要极大增加人手和认证时间，FAA根本管不过来。在理论上，这是唯一可靠的做法。在现实中，这极大地增加认证成本和时间，到了FAA不可能管过来的地步了。FAA可是从航电、结构、材料一直到座椅、机上娱乐、卫生间、厨房甚至外表油漆、内饰涂料都要认证的。
这个问题不好办。现在肯定是宁可错杀三千不可错过一个，但长远来说，还是要有一个办法，既满足安全，又降低认证成本，这个时间和金钱成本最后都是要转嫁到用户的。以后人工智能、高度自动化、数字化越来越多了，远的不说，近的就有机上wifi、5G手机的使用。问题更多，问题更大。
从FAA的角度来说，波音既有偷工减料的动机，更有确保不会真有安全隐患的动机，出事了最大的输家还是波音。MAX的灾难确实证明了这一点。但FAA以后还会“外包”部份低级、元件级认证吗？估计还是会的。在航空之外，化工厂排放是政府监管的，关键的项目政府直接监管，但一般监控（噪声、放空燃烧黑烟、NOx、水质PH等）政府管不过来，靠自觉申报，但抓住漏报、瞒报不仅重罚，特别针对你的额外政府监管都要企业出钱，中兴被罚后还要出钱请美国常驻合规官就是这样的情况。所以FAA vs波音认证，这个事情不那么黑白分明。
至于波音高层用修修补补冒充全新产品，这是全世界商家都做的事情，只要用户买单，安全上不可出问题，就不是罪过。至于这是不是好的商业战略，就是另外的问题了。
波音的安全文化肯定出了大问题，这没什么可说的，该罚罚，该杀杀，但MCAS的问题不是罚和杀就解决的。说起来，MCAS的问题和F-35一样，问题不简单，也因此没有简单的解决方案。
使用条件 AIC 为具有数据驱动转换的线性混合模型选择变量
数据分析师在使用线性混合模型时，通常会遇到两个实际问题：(a) 真实模型未知；(b) 误差的高斯假设不成立。虽然这些问题通常一起出现，但研究人员倾向于通过 (a) 找到基于条件 Akaike 信息准则 ( cAIC ) 的最佳模型和 (b) 对因变量应用变换来单独处理它们。然而，最佳模型取决于转换，反之亦然。在本文中，我们的目标是同时解决这两个问题。特别地，我们提出了一个调整后的cAIC通过使用特定变换的雅可比矩阵，可以比较具有不同变换数据的各种候选模型。从计算的角度来看，我们提出了一种基于引入的调整后的cAIC的逐步选择方法。基于模型的模拟用于将建议的选择方法与替代方法进行比较。最后，将引入的方法应用于墨西哥数据，以估算 81 各城市的贫困和不平等指标。
介绍
线性混合模型是一种广泛使用的统计模型，用于分析聚类或纵向数据。当数据分析师使用这些模型时，他们经常面临两个实际问题：(a) 解释响应变量的真实模型未知；(b) 模型假设，尤其是误差项的高斯假设被违反。
由于真实模型未知，数据分析师通过使用变量选择程序找到合适/最佳模型来解释因变量。在这种情况下，一种流行的方法是由 Akaike引入的 Akaike 信息准则 ( AIC )。对于线性混合模型，有不同版本的AIC。它们可以分为两组：边缘类型的 AIC 和条件类型的AIC 。mAIC是使用边际密度的线性混合模型的常见AIC ，是使用最广泛的选择标准之一 ，然而，mAIC仅在模型参数固定时适用，使用mAIC作为选择标准对于线性混合模型存在问题。Vaida 和 Blanchard引入了cAIC作为线性混合模型的更合适的选择标准。与mAIC相比， cAIC使用条件密度。Vaida 和 Blanchard 推导出cAIC如果已知随机效应的（缩放的）协方差矩阵，建议在实践中对随机效应的协方差矩阵使用插件估计器。推导出一个更一般的cAIC，它解释了随机效应的协方差矩阵的估计。然而，在具有大样本量和许多潜在变量的情况下，他们的条件AIC在计算上可能要求很高。
线性混合模型通常依赖于参数假设，例如随机效应和误差项的正态性。在许多应用中可能会违反这些假设，例如，消费或收入等偏变量。解决此问题的一种可能方法是使用稳健的混合模型。这些模型在各个方面都很稳健，包括违反高斯假设。它们允许更灵活的分布或应用贝叶斯框架。概述了处理此问题的其他模型。解决此问题的另一种方法是对因变量应用固定对数或数据驱动的转换。后一种变换通常基于自适应变换参数，该参数取决于数据的特定形状。在不同的数据驱动变换中，Box-Cox 变换被广泛使用，因为它包括各种幂变换和作为特例的对数变换。古尔卡等。将 Box-Cox 变换的使用扩展到线性混合模型。他们应用残差最大似然 (REML) 方法来估计变换参数λλ来自基于具有固定辅助变量的线性混合模型的数据。
然而，最佳数据驱动转换取决于固定模型，最佳模型取决于所选数据驱动转换。特别是，要通过 REML 方法选择最佳数据驱动转换参数，线性混合模型应该固定；并根据cAIC执行变量选择，应使用适当的（数据驱动的）转换参数通常在应用程序中使用的第一种朴素方法是以特定顺序执行转换和变量选择。首先，在原始/未转换的规模上找到合适的工作模型，并在选择最佳数据驱动转换参数时保持此固定。但是，这可能无法提供最佳的变量选择方法，因为所选变量在转换后的尺度上并不是最优的。在本文中，我们的目标是同时找到最优模型和最优变换参数。这将允许享受数据驱动转换和转换数据的最佳模型的优势。
讨论了基于线性模型后验概率的变换和变量选择方法。他们专注于变点变换以变换线性模型的预测变量。本克等人。讨论了非线性模型的最优变换和基于交叉验证的最优模型的选择。据我们所知，当基于cAIC的变量选择时，现有文献均未提供联合解决方案和估计数据驱动的转换参数同时应用于线性混合模型。从理论的角度来看，我们提出了一种同时选择最优线性模型和最优变换参数的方法。由于cAIC依赖于尺度，我们无法直接比较具有不同转换响应变量的不同模型。因此，我们调整cAIC使用相应数据驱动转换的雅可比矩阵，以便可以比较具有不同转换响应变量的不同模型候选者。尽管本文将 Box-Cox 转换作为一种特定的数据驱动转换，但所提出的方法通常适用于数据驱动转换。从计算的角度来看，我们提供了一种基于建议的调整后cAIC的逐步选择方法。
任何解决不了的问题，都可以理解为“信息不够”。 解决方法是，读书或咨询置信度高的专家，其次是搜索引擎并交叉验证，未来是人工智能。
[庆祝][庆祝]洛杉矶广州的客户注意下！
【南航】尊敬的旅客，感谢您选乘中国南方航空洛杉矶前往广州CZ328航班，请严格执行中国驻美使领馆最新“平行检测、交叉验证”的要求，即在不同检测机构、采用两种不同试剂，两次采样间隔24小时以上，并且报告中须体现试剂使用名称。建议您使用下列符合检测时限、报告规范和技术等要求的检测机构：南航洛杉矶航班推荐检测机构 。请您在办理值机手续时向南航工作人员出示符合上述要求的核酸检验报告，以免影响您的正常出行，感谢您的理解和配合！
