В предыдущем примере мы жестко запрограммировали один ход, обновляя переменная $ p $ путем получения нового значения из равномерного (0,1) распределения. На самом деле есть много других способов предложить новые ценности; некоторые из которые более эффективны, чем другие.

Во-первых, давайте перепишем цикл MCMC так, чтобы мы использовали вместо него функцию, который мы для простоты называем move_uniform , который выполняет ход:

  для (повторение через 1: повторения) {
    
    # вызов единообразного движения
    move_uniform (1)
    
    if ((rep% printgen) == 0) {
        # Записываем образцы в файл
        write (rep, p, "\ n", file = "binomial_MH.log", append = TRUE)
    }

} # end MCMC
  

Этот цикл выглядит уже намного чище.

Равномерный ход

Теперь нам нужно написать функцию move_uniform .Мы в основном просто скопируйте код, который у нас был раньше, в специальную функцию

  function move_uniform (Натуральный вес) {

    for (я в 1: вес) {
        # Предложите новое значение p
        p_prime <- runif (n = 1,0.0,1.0) [1]

        # Вычислить вероятность принятия
        R <- (вероятность (p_prime) / вероятность (p)) * (Prior (p_prime) / Prior (p))
    
        # Принять или отклонить предложение
        u <- runif (1,0,1) [1]
        если (и  

В функции move_uniform необходимо учитывать несколько моментов.Во-первых, у нас нет возвращаемого значения, потому что ход просто меняет переменная $ p $, если ход принят. Во-вторых, мы ожидаем аргумента называется вес , который скажет нам, как часто мы хотим использовать этот ход. В остальном эта функция делает то же самое, что и внутри for. цикл ранее.

(обратите внимание, что вам нужно определить эту функцию до цикла for в вашем сценарий).

Ходовая часть раздвижного окна

В качестве второго хода мы напишем ход со скользящим окном.Раздвижное окно ходы предлагают обновление, вытягивая случайное число из униформы распределение, а затем добавление этого случайного числа к текущему значению (, то есть , с центром на предыдущем значении).

  функция move_slide (дельта RealPos, натуральный вес) {

    for (я в 1: вес) {
        # Предложите новое значение p
        p_prime <- p + runiform (n = 1, -delta, delta) [1]

        # Вычислить вероятность принятия
        R <- (вероятность (p_prime) / вероятность (p)) * (Prior (p_prime) / Prior (p))
    
        # Принять или отклонить предложение
        u <- runif (1,0,1) [1]
        если (и  

Помимо веса хода, у этого хода есть еще один аргумент: дельта .Аргумент дельта определяет ширину равномерного окна. из которого мы черпаем новые ценности. Таким образом, если дельта большая, то предлагаемые значения, скорее всего, будут сильно отличаться от текущих значение $ p $. И наоборот, если дельта мала, то предлагаемые значения с большей вероятностью будут очень близки к текущему значению $ p $.

Поэкспериментируйте с разными значениями для дельта и проверьте, насколько эффективны размер выборки (ESS) меняется.

Априори нет хорошего метода узнать, какие значения дельта наиболее эффективны.Однако есть некоторые алгоритмы, реализованные в RevBayes, называемый автонастройкой , оценивает хорошие значения для дельта .

Масштабирование

В качестве третьего и последнего хода мы напишем масштабирующий ход. Масштабирующий ход предлагает обновление путем извлечения случайного числа из униформы (-0,5,0,5) распределение, возведение случайного числа в степень, а затем умножение этот коэффициент масштабирования по текущему значению. Интересная особенность этого move состоит в том, что он не симметричен и, следовательно, требует отношения Гастингса.В Коэффициент Гастингса в этом случае довольно тривиален, и нужно только умножьте коэффициент приемки на коэффициент масштабирования.

  функция move_scale (лямбда RealPos, натуральный вес) {

    for (я в 1: вес) {
        # Предложите новое значение p
        sf <- exp (лямбда * (runif (n = 1,0,1) [1] - 0,5))
        p_prime <- p * sf

        # Вычислить вероятность принятия
        R <- (вероятность (p_prime) / вероятность (p)) * (Prior (p_prime) / Prior (p)) * sf
    
        # Принять или отклонить предложение
        u <- runif (1,0,1) [1]
        если (и  

Как и раньше, этот ход имеет параметр настройки, называемый лямбда .

Шаги скользящего окна и масштабирования - очень распространенные и популярные ходы. в RevBayes. Примеры кода здесь на самом деле показывают точное то же уравнение, что и внутренняя реализация. Вам будет очень полезно чтобы понять эти ходы.

Однако этот алгоритм MCMC очень специфичен для нашей биномиальной модели. и поэтому его сложно расширить (к тому же это довольно неэффективно!).

Видео-пошаговое руководство для этого раздела состоит из двух частей. Часть 1 Часть 2

Теперь мы укажем точно такую ​​же модель в Rev , используя встроенный функциональность моделирования.Оказывается, код Rev для указания Вышеупомянутая модель чрезвычайно проста и похожа на ту, которую мы использовали ранее. Опять же, мы начинаем с «считывания» (, т.е. , составляя) наши данные.

  # Сделайте несколько подбрасываний монеты!
# Не стесняйтесь изменять эти числа
n <- 100 # количество переворотов
x <- 63 # количество голов
  

Теперь мы уточняем нашу предыдущую модель.

  # Укажите предварительную раздачу
альфа <- 1
бета <- 1
p ~ dnBeta (альфа, бета)
  

Одно различие между RevBayes и алгоритмом MH, который мы написали выше видно, что многие предложения MCMC уже встроены, но мы должны укажите их перед запускаем MCMC.Обычно мы определяем (по крайней мере) один перемещать по параметру сразу после того, как мы укажем предыдущее распределение для этого параметра.

  # Определим ход для нашего параметра, p
move [1] = mvSlide (p, delta = 0,1, weight = 1)
  

Теперь наша модель правдоподобия.

  # Укажите модель правдоподобия
k ~ dn Биномиальный (p, n)
k.зажим (x)
  

Мы объединяем нашу полную байесовскую модель в один объект модели (это удобство хранения всей модели в одном объекте, и более того полезно, когда у нас очень большие модели):

  # Построить полную модель
my_model = модель (p)
  

Мы используем «мониторы» для отслеживания параметров в MCMC.В мы используем два типа мониторов: модель mnModel , которая пишет параметры в указанный файл и mnScreen , который просто выводит некоторые части модели выводятся на экран (как своего рода индикатор выполнения).

  # Сделайте так, чтобы мониторы отслеживали MCMC
мониторы [1] = mnModel (filename = "binomial_MCMC.log", printgen = 10, separator = TAB)
мониторы [2] = mnScreen (printgen = 100, p)
  

Наконец, мы собираем объект анализа (который содержит модель, мониторов и движений) и выполните пробег с помощью .запустите команду :

  # Сделать объект анализа
анализ = mcmc (my_model, мониторы, ходы)

# Запускаем MCMC
analysis.run (100000)

# Показать, как выполняются движения
analysis.operatorSummary ()
  

Откройте получившийся файл binomial_MCMC.log в Tracer . Сделайте апостериорные распределения для параметра $ p $ выглядят так же, как и мы получили из нашего первого анализа?

Надеюсь, вы заметите, что эта модель Rev существенно проще. и его легче читать, чем сценарий алгоритма MH, с которого мы начали.Возможно что еще более важно, анализ Rev на порядков на быстрее чем наш собственный сценарий, потому что он использует чрезвычайно эффективные вычисления вероятности, встроенные в RevBayes (а не те, которые мы взломаны вместе в нашем собственном алгоритме).

Упражнение 1. Выполнение вашего первого простого моделирования MCMC

1. Загляните в сценарий Binomial_MH_algorithm.Rev и сделайте сами знаком с ним. Все команды должны быть объяснены в тексте. учебника.

2. Выполнить сценарий Binomial_MH_algorithm.Rev .

3. Файл .log будет содержать образцы из апостериорного распределения. модели! Откройте файл в Tracer , чтобы узнать о различные особенности апостериорного распределения, например: апостериорное среднее или 95% вероятный интервал.

4. Сохраните график кривой MCMC и апостериорное распределение в файл PDF.

Упражнение 2: Различные стратегии MCMC (ходы)

1. Теперь посмотрим на сценарий Binomial_MH_algorithm_moves.Ред. который показывает 3 различных типа ходов, описанных в этот учебник.

2. Запустите сценарий, чтобы снова оценить апостериорное распределение $ p $.

3. Посмотрите на вывод в Tracer .

4. Используйте только один ход и установите printgen = 1 . Какой ход лучше ESS?

5. Как изменяется ESS, если вы используете дельту = 10 для сдвижное окно?

6. Добавьте к каждому ходу переменную счетчика, которая подсчитывает, как часто был принят.Например:

    , если (u  

7. Посмотрите, как меняется приемка для разных значений параметров настройки.

Упражнение 3: MCMC в RevBayes

1. Запустите встроенный MCMC ( Binomial_MCMC.Rev ) и сравните результаты в ваш собственный MCMC.Одинаковы ли апостериорные оценки? ESS значения похожи? Какой сценарий был самым быстрым?

2. Затем добавьте второй ход ходов [2] = mvScale (p, lambda = 0.1, tune = true, weight = 1.0) сразу после первый. Снова запустите анализ и сравните его с исходным. Второй ход помог с микшированием?

3. Наконец, запустите предварительную запись, используя analysis.burnin (поколения = 10000, tuningInterval = 200) непосредственно перед Вы называете анализ .запустить (100000) . Это автоматически настроит настройку параметры ( например, , дельта и лямбда ) так что коэффициент приемлемости составляет от 0,4 до 0,5.

4. Каковы настроенные значения для дельта и лямбда ? Сделал ли автонастройка увеличить ESS?

Упражнение 4. Аппроксимация заднего распределения

Измените сценарий Binomial_MCMC.Rev . Предположим, вы подбросили монетку 100 раз и получил 34 головы.Запустите MCMC на 100 000 поколений, распечатайте каждые 100 сэмплов в файл.

1. Что такое апостериорная средняя оценка p? 95% достоверных интервал?

2. Представьте, что вы подбросили монету еще 900 раз, в общей сложности 1000 сальто. Из этих 1000 флипов вы заметили 340 орлов (изменение ваш скрипт соответственно!). Какова ваша апостериорная средняя оценка p сейчас же? Как изменился доверительный интервал 95%? Обеспечьте интуитивно понятный объяснение этого изменения.

Упражнение 5: Изучение предыдущей чувствительности и настроек MCMC

Поэкспериментируйте с различными частями модели, чтобы развить интуицию. как байесовская модель, так и алгоритм MCMC. Например, как апостериорное распределение изменяется по мере увеличения количества монет флипов (скажем, увеличьте как количество флипов, так и количество орлов на на порядок)? Как оценивается апостериорное распределение изменится, если вы измените параметры предыдущей модели, $ \ alpha $ и $ \ beta $ ( я.е. , модель априори чувствительна)? Делает априорная чувствительность зависит от размера выборки? Задние оценки чувствительны к длине MCMC? Как вы думаете, это MCMC использовался достаточно долго, или вам следует использовать его дольше? Попробуй ответьте на некоторые из этих вопросов и объясните свои выводы.

байесовский - Можно ли использовать «перекрестную проверку» для выбора априорной проверки?

Для ясности, я сомневаюсь, что использую здесь термин «перекрестная проверка» правильно; то, что я предлагаю, также похоже на "загрузку" и "настройку гиперпараметров".Терминология - не моя сила.

Предположим, у нас есть d ata с $ 20 $ наблюдениями, $ D_1, \ dots, D_ {20} $. Мы не знаем, что перед использованием для набора данных, поэтому мы решаем использовать максимальную энтропию перед с учетом среднего и дисперсии генеральной совокупности, то есть нормального априорного значения. (Это, конечно, предполагает, что распределение населения имеет конечный второй момент. Я не убежден, что это предположение безобидно, но оно распространено.)

Но, конечно, мы не знаем среднего значения и дисперсии населения, поэтому мы их оцениваем.2) $, первый с использованием той же процедуры, описанной выше, второй с использованием аналогичной процедуры с $ D_ {11}, \ dots, D_ {15} $ в качестве "удерживающего набора", третий с использованием аналогичной процедуры с $ D_ {6}, \ dots, D_ {10} $ как «удерживающий набор», а четвертый с использованием аналогичной процедуры с $ D_1, \ dots, D_5 $ как «удерживающий набор»,

1. Выберите в качестве априорного либо (а) выпуклую комбинацию этих четырех вышеупомянутых априорных факторов, которая, я думаю, будет моделью гауссовой смеси, либо (б) возьмите в качестве априорного $ \ mathscr {N} (\ tilde {\ mu} , \ tilde {\ sigma} ^ 2) $, где $$ \ tilde {\ mu}: = \ frac {1} {4} (\ hat {\ mu} _1 + \ hat {\ mu} _2 + \ hat {\ mu} _3 + \ hat {\ mu} _4) \ ,, \ quad \ tilde {\ sigma} ^ 2: = \ frac {1} {4} (\ hat {\ sigma} ^ 2_1 + \ hat { \ sigma} _2 ^ 2 + \ hat {\ sigma} _3 ^ 2 + \ hat {\ sigma} _4 ^ 2) \,? $$

Приведенный выше пример, конечно, легко обобщается (например, я даже не указал конкретный метод для получения наших оценок $ \ hat {\ mu} $ и $ \ hat {\ sigma} ^ 2 $), но мне показалось, что я Я бы использовал этот конкретный пример, потому что не думаю, что смогу объяснить себя четко в общих чертах.

(На самом деле я даже сомневаюсь, что приведенный выше конкретный пример четко объяснен.)

Дополнительные вопросы: Имеется ли уже установленное имя для чего-то похожего на описанную выше процедуру? И есть ли литература, демонстрирующая отсутствие у нее свойств оптимальности или иным образом анализирующая ее теоретически?

Я думаю, что этот вопрос отличается от связанного с ним вопроса, потому что у этого вопроса есть как внутренний, так и внешний источник данных.В этом примере наша оценка параметров и логический вывод «конкурируют» за одни и те же данные, поэтому мы используем «перекрестную проверку» или повторную подвыборку («бутстрэппинг»), чтобы выполнить необходимую «настройку гиперпараметров» для предыдущих.

Он также отличается от предложенного здесь метода, который, как утверждал Эндрю Гельман (вероятно, убедительно, если честно, я не понимаю аргумент), не работает. Но этот метод предлагает использовать подход «M-оценки» с перекрестной проверкой для получения априорного значения, т.е.2) $, а я предлагаю использовать комбинацию из них. Для меня это имеет больше смысла, чем другой метод, чтобы и (а) избежать «переобучения», и (б) использовать больше данных для информирования о выборе предыдущего.

Обработка несбалансированных наборов данных в машинном обучении | by Baptiste Rocca

В этом первом разделе мы хотели бы напомнить о различных способах оценки обученного классификатора, чтобы быть уверенным в обнаружении любого вида «наивного поведения». Как мы видели во введении, точность, будучи важной и неизбежной метрикой, может вводить в заблуждение, поэтому ее следует использовать с осторожностью и наряду с другими метриками.Посмотрим, какие еще инструменты можно использовать.

Матрица неточностей, точность, отзыв и F1

Хорошая и в то же время простая метрика, которую всегда следует использовать при решении проблем классификации, - это матрица неточностей. Этот показатель дает интересный обзор того, насколько хорошо работает модель. Таким образом, это отличная отправная точка для оценки любой модели классификации. Мы суммируем большинство показателей, которые могут быть получены из матрицы неточностей, на следующем рисунке

Матрица неточностей и метрики, которые могут быть получены из нее.

Дадим краткое описание этих показателей. Точность модели - это в основном общее количество правильных прогнозов, деленное на общее количество прогнозов. Точность класса определяет, насколько надежным будет результат, когда модель отвечает, что точка принадлежит этому классу. Отзыв класса показывает, насколько хорошо модель способна обнаружить этот класс. Оценка класса F1 определяется гармоническим средним значением точности и отзыва (2 × точность × отзыв / (точность + отзыв)), он сочетает в себе точность и отзыв класса в одной метрике.

Для данного класса различные комбинации отзыва и точности имеют следующие значения:

• высокий отзыв + высокая точность: класс отлично обрабатывается моделью
• низкий уровень отзыва + высокая точность: модель не может обнаружить класс хорошо, но очень надежен, когда он выполняет
• высокий отзыв + низкая точность: класс хорошо обнаруживается, но модель также включает в себя точки других классов в нем
• низкий уровень отзыва + низкая точность: класс плохо обрабатывается моделью

В нашем вводном примере у нас есть следующая матрица неточностей для 10000 товаров.

Матрица путаницы нашего вводного примера. Обратите внимание, что «дефектную» точность вычислить невозможно.

Как было сказано ранее, точность составляет 96,2%. Точность исправного класса составляет 96,2%, а точность дефектного класса не поддается вычислению. Отзыв о бездефектном классе равен 1.0, что идеально (все исправные продукты имеют соответствующую маркировку). Но отзыв дефектного класса равен 0,0, что является худшим случаем (дефектных продуктов не обнаружено). Таким образом, можно сделать вывод, что наша модель не подходит для этого класса .Оценка F1 не поддается вычислению для дефектных продуктов и составляет 0,981 для исправных продуктов. В этом примере просмотр матрицы путаницы мог привести к переосмыслению нашей модели или нашей цели (как мы увидим в следующих разделах). Это могло предотвратить использование бесполезной модели.

ROC и AUROC

Другой интересной метрикой является кривая ROC (обозначающая рабочие характеристики приемника), определенная по отношению к данному классу (который мы будем обозначать C в дальнейшем).

Предположим, что для данной точки x у нас есть модель, которая выводит вероятность того, что эта точка принадлежит C: P (C | x). Основываясь на этой вероятности, мы можем определить правило принятия решения, которое состоит в том, что x принадлежит классу C тогда и только тогда, когда P (C | x) ≥T, где T - заданный порог, определяющий наше правило принятия решения. Если T = 1, точка помечается как принадлежащая C, только если модель на 100% уверена, что это так. Если T = 0, все точки помечаются как принадлежащие C.

Каждое значение порога T генерирует точку (ложноположительное, истинное положительное), и тогда кривая ROC - это кривая, описываемая ансамблем точек, сгенерированных, когда Т изменяется от 1 до 0.Эта кривая начинается в точке (0,0), заканчивается в точке (1,1) и увеличивается. У хорошей модели будет кривая, которая быстро увеличивается от 0 до 1 (это означает, что нужно пожертвовать лишь небольшой точностью, чтобы получить высокую отзывчивость).

Неконтролируемое предварительное обучение с приоритетами области для обнаружения объектов

DETReg: Неконтролируемое предварительное обучение с приоритетами области для обнаружения объектов

Амир Бар, Синь Ван, Вадим Канторов, Колорадо Дж. Рид, Рой Херциг, Гал Чечик, Анна Рорбах, Тревор Даррелл, Амир Глоберсон

Версия

• [x] Код обучения и пробная версия COCO - ВЫПОЛНЕНО
• [x] Предварительно обученные модели - ВЫПОЛНЕНО
• [] Обучающий код и оценка Pascal VOC - TODO

Введение

DETReg является неконтролируемым предварительным обучением для объекта DE tection с ансформаторами TR с использованием ионных приоров Reg .
Руководствуясь двумя задачами, лежащими в основе обнаружения объектов: локализация и категоризация , мы объединяем два дополнительных сигнала для самоконтроля. Для сигнала локализации объекта мы используем ограничивающие прямоугольники псевдо-наземных объектов из стандартного метода предложения неконтролируемой области, Selective Search, который не требует обучающих данных и может обнаруживать объекты с высокой скоростью отзыва и очень низкой точностью.
Сигнал категоризации исходит из потери внедрения объекта, что способствует инвариантным представлениям объекта, из которых можно вывести категорию объекта.
Мы показываем, как объединить эти два сигнала для обучения архитектуры обнаружения деформируемого DETR на основе больших объемов немаркированных данных. DETReg улучшает производительность по сравнению с базовыми уровнями конкурентов и предыдущими методами самоконтроля на стандартных тестах, таких как MS COCO и PASCAL VOC. DETReg также превосходит предыдущие контролируемые и неконтролируемые базовые подходы в режиме с низким объемом данных при обучении с использованием только 1%, 2%, 5% и 10% помеченных данных на MS COCO.

Установка

Требования

• Linux, CUDA> = 9.2, GCC> = 5,4

• Python> = 3,7

  Мы рекомендуем использовать Anaconda для создания среды conda:

    conda create -n detreg python = 3,7 пункта
    

  Затем активируйте среду:

    conda активировать детрег
    

  Установка: (измените cudatoolkit на вашу версию cuda. ​​Для получения подробных инструкций по установке pytorch щелкните здесь)

    conda установить pytorch == 1.8.0 torchvision == 0.9.0 torchaudio == 0.8.0 cudatoolkit = 10.2 -c pytorch
    

• Прочие требования

    pip install -r requirements.txt
    

Компиляция операторов CUDA

  кд ./models/ops
sh ./make.sh
# unit test (должен увидеть, что все проверки истинны)
python test.py
  

Использование

Подготовка набора данных

Загрузите набор данных COCO 2017 и ImageNet и систематизируйте их следующим образом:

  code_root /
└── данные /
    ├── ilsvrc /
          ├── поезд /
          └── val /
    └── MSCoco /
        ├── train2017 /
        ├── val2017 /
        └── аннотации /
        ├── instance_train2017.json
        └── instance_val2017.json
  

Обратите внимание, что в этой работе мы использовали набор данных ImageNet100, который в 10 раз меньше, чем ImageNet. Чтобы создать ImageNet100, выполните следующую команду:

  mkdir -p data / ilsvrc100 / train
mkdir -p данные / ilsvrc100 / val
при чтении строки; do ln -s  / data / ilsvrc / train / $ line  / data / ilsvrc100 / train / $ line; done < /datasets/category.txt
при чтении строки; do ln -s  / data / ilsvrc / val / $ line  / data / ilsvrc100 / val / $ line; done < / datasets / category.текст
  

В результате должна получиться следующая структура:

  code_root /
└── данные /
    ├── ilsvrc /
          ├── поезд /
          └── val /
    ├── ilsvrc100 /
          ├── поезд /
          └── val /
    └── MSCoco /
        ├── train2017 /
        ├── val2017 /
        └── аннотации /
        ├── instance_train2017.json
        └── instance_val2017.json
  

Создание окон выборочного поиска ImageNet:

Загрузите предварительно вычисленные блоки ImageNet и извлеките в папку кэша:

  mkdir -p <корень-кода> / cache / ilsvrc && cd <корень-кода> / cache / ilsvrc
wget https: // github.ru / amirbar / DETReg / Release / download / 1.0.0 / ss_box_cache.tar.gz
tar -xf ss_box_cache.tar.gz
  

В качестве альтернативы вы можете самостоятельно вычислить окна выборочного поиска:

Чтобы создать поля выборочного поиска для ImageNet100 на одном компьютере, выполните следующую команду (установите число_процессов):

  python -m datasets.cache_ss --dataset imagenet100 --part 0 --num_m 1 --num_p 
  

Чтобы ускорить создание ящиков, измените аргументы соответствующим образом и выполните следующую команду на каждой отдельной машине:

  python -m наборы данных.cache_ss --dataset imagenet100 --part <номер_машины> --num_m  --num_p 
  

Кэшированные ящики сохраняются в следующей структуре:

  code_root /
└── кеш /
    └── ilsvrc /
  

Обучение

Команда для предварительного обучения DETReg на 8 графических процессорах в ImageNet100 выглядит следующим образом:

  GPUS_PER_NODE = 8 ./tools/run_dist_launch.sh 8 ./configs/DETReg_top30_in100.sh --batch_size 24 --num_workers 8
  

Обучение занимает около 1.5 дней с 8 графическими процессорами NVIDIA V100, вы можете загрузить предварительно обученную модель (см. Ниже), если хотите пропустить этот шаг.

После предварительного обучения контрольная точка сохраняется в exps / DETReg_top30_in100 / checkpoint.pth . Для точной настройки различных параметров кокоса используйте следующие команды:
Точная настройка на полном COCO (это займет 2 дня с 8 графическими процессорами NVIDIA V100):

  GPUS_PER_NODE = 8 ./tools/run_dist_launch.sh 8 ./configs/DETReg_fine_tune_full_coco.sh
  

Для небольших подмножеств, которые обучаются быстрее, вы можете использовать меньшее количество графических процессоров (например,g 4 с размером партии 2) /
Точная настройка на 1%

  GPUS_PER_NODE = 4 ./tools/run_dist_launch.sh 4 ./configs/DETReg_fine_tune_1pct_coco.sh --batch_size 2
  

Точная настройка на 2%

  GPUS_PER_NODE = 4 ./tools/run_dist_launch.sh 4 ./configs/DETReg_fine_tune_2pct_coco.sh --batch_size 2
  

Точная настройка на 5%

  GPUS_PER_NODE = 4 ./tools/run_dist_launch.sh 4 ./configs/DETReg_fine_tune_5pct_coco.sh --batch_size 2
  

Точная настройка на 10%

  GPUS_PER_NODE = 4./tools/run_dist_launch.sh 4 ./configs/DETReg_fine_tune_10pct_coco.sh --batch_size 2
  

Оценка

Чтобы оценить точную настройку модели, используйте следующую команду из проекта на основеir:

  ./configs/ .sh --resume exps /  /checkpoint.pth --eval
  

Предварительно обученные модели

цитировать

Если вы нашли этот код полезным, не стесняйтесь цитировать нашу работу:

  @misc {bar2021detreg,
      title = {DETReg: неконтролируемое предварительное обучение с приоритетами области для обнаружения объектов},
      author = {Амир Бар, Синь Ван, Вадим Канторов и Колорадо Дж. Рид, Рой Херциг, Гал Чечик, Анна Рорбах, Тревор Даррелл и Амир Глоберсон},
      год = {2021},
      eprint = {2106.04550},
      archivePrefix = {arXiv},
      primaryClass = {cs.CV}
}
  

GitHub

https://github.com/amirbar/DETReg

Барнс все еще не прислушивается к байесовскому анализу аргументов точной настройки • Ричард Кэрриер

В прошлом месяце я натолкнулся на старую ветку с «О байесовском обращении аргумента тонкой настройки» Собера, Икеды и Джеффериса (против Barnes & Lowder) . Люк Барнс выдвинул еще более причудливые ответы.Одна из вещей, которые я заметил, - это то, как он никогда не обращается ни к одному из моих реальных аргументов. И теперь он продолжает делать это снова. И я думаю, что он искренне даже не знает, что делает. Похоже, он иллюзорно верит, что я спорил то, чего не делал, и бредом не видит того, чего я спорил, даже когда я объясняю ему это. Я не знаю, как с кем-то общаться. И вдобавок ко всему, теперь он, кажется, противоречит самому себе и не осознает, что он есть. Это действительно странно.

Потому что продолжать это кажется невозможным - Барнс так постоянно игнорировал то, что я на самом деле говорю, что я не вижу вероятности того, что он когда-либо действительно ответит мне, что делает дальнейшее взаимодействие пустой тратой моего времени - это может быть последний раз, когда я беспокоюсь обращаясь к нему. Я даю ему еще один шанс только потому, что он должен быть настоящим космологом, а не каким-то рандом. Но имейте в виду, опять же, он уже опровергнут всем, что я уже написал в исходной статье TEC и в моем последнем ответе на него (с одним исключением, о котором я расскажу ниже).Так что, честно говоря, вы можете просто вернуться и прочитать их. Это все, что вам нужно, чтобы понять, насколько все, что он говорит, неуместно или неправильно. Но я все равно осмотрю это.

Я буду игнорировать все, что он говорит, что он не подкрепляет никакими аргументами или доказательствами (например, все его жалобы; все его неподтвержденные утверждения обо мне, или то, что я утверждаю или аргументирую; и т. Д.). Он делает много утверждений (например, что я не делал того или другого; или что ему не нужно обсуждать тот или иной аргумент), но никогда не показывает, что это так.Эти утверждения я игнорирую как необоснованные. Вы тоже должны. Если он не поддерживает заявление, если он просто что-то утверждает, вы должны отклонить его как неподтвержденное. Но некоторые из своих утверждений он, по крайней мере, пытается оправдать . К ним я обращусь по пунктам.

Первая и вторая части


Barnes ответил постом, состоящим из нескольких частей. Вот единственные пункты, которые он делает в записях и , которые он представляет в любом случае:

(1) Первый аргумент Барнса:

Получение частот из эталонных классов тривиально - вы просто подсчитываете элементы и делите их.Проблема, которую создают ссылки на классы для конечного частотного подхода, заключается в их определении, а не в том, как считать их членов. Итак, Carrier не понимает проблемы эталонного класса.

Это неправда. Я подробно обсуждаю эту проблему в статье Proving History (например, стр. 229-56; см. Также указатель, «эталонный класс»). И снова Барнс игнорирует все, что я на самом деле говорю, утверждает, что я ничего об этом не сказал, и в результате делает ложное утверждение. Его ссылка не имеет значения.Он никогда не объясняет, как эта проблема влияет на мои аргументы в TEC . Он также не объясняет, почему это не та же проблема для сторонников аргумента о тонкой настройке. Следовательно, его первый аргумент лишен какого-либо существенного содержания относительно этой дискуссии.

(2) Второй аргумент Барнса:

Подход Кэрриера к вероятности непоследователен. Он все время перекладывает стойки ворот. В TEC , говоря о космическом конструкторе, он говорит: «Вероятность измеряет частоту (будь то что-то происходящее или что-то правда)».Только известные случаи, подтвержденные наукой, могут быть допущены в эталонный класс. Но теперь в OBR можно помещать гипотетические возможности в эталонный класс.

Это меня сбивает с толку. Поскольку, если он на самом деле думает, что вы не можете поместить гипотетические возможности в эталонный класс, то он должен сделать вывод, что аргумент точной настройки недействителен. Потому что, если вы не можете поместить гипотетические возможности в эталонный класс, вы не сможете поместить гипотетические вселенные в эталонный класс. И если вы не можете отнести гипотетические вселенные к эталонному классу, вы не сможете делать никаких заявлений о частоте тех вселенных, в которых была бы или нет жизнь.По иронии судьбы, он почти здесь получает именно ту точку , которую я сам сделал, когда Я процитировал ему статью МакГрюса , демонстрирующую в значительной степени именно этот момент: аргумент о точной настройке не является основанием для начала, потому что вы не можете генерировать любая пригодная для этого вероятность.

Заметьте, еще раз, это еще один мой аргумент, который Барнс игнорирует.

Также обратите внимание, что мой аргумент в TEC не требует решения этой проблемы. Это ни в коем случае не связано с вычислением частоты вселенных, которые могли бы нести жизнь среди всех возможных вселенных.Я даже не делаю этого в своем аргументе о мультивселенной (см. Ниже). То, что Барнс этого не замечает, является примерно платоническим идеалом того, о чем я говорю: Барнс даже не обращается к тому, о чем я когда-либо спорил!

(3) Третий аргумент, который приводит Барнс, является расширением этого аргумента:

Это разрушает его аргумент на странице 282-3 TEC, в котором Кэрриер отделяет случаи, подтвержденные наукой, от «предполагаемых случаев», которые должны быть исключены из эталонного класса.Но предполагаемые случаи логически возможны, поэтому, по мнению OBR, они должны были быть включены с самого начала.

Это не имеет логического смысла. И снова он думает, что я как-то использую оценки частоты в аргументе - позже (о точной настройке), хотя я этого не делаю (на самом деле, то, что нам не нужно , является аргументом ). Но, что еще хуже, он игнорирует фактический вывод раздела, о котором он говорит сейчас , а именно, что априорная вероятность того, что вселенная была разумно создана, я буду считать для остальной части главы 25%! Здесь Барнс даже не возражает против моего заключения! Поэтому он не возражает против того, что я на самом деле сказал.Опять таки.

В моем самом милосердном, я могу предположить, что, возможно, Барнс имел в виду это как мета-аргумент, а не против всего, что я на самом деле спорил (о том, что до использования в аргументе о тонкой настройке или позже о аргументе о тонкой настройке), но против то, что он считает, является несоответствием в моей оценке частот в целом, хотя это не имеет отношения ни к чему, что мы обсуждаем. Но даже в этом случае его заявление выглядит странным. Когда я говорю о предшествующем на стр. 282-83 из TEC , я упоминаю, что мы должны исключить «предполагаемые случаи» подтверждения сверхъестественного влияния из нашей базы знаний, потому что мы не знаем, что они были или были бы. подтверждено, поэтому мы не можем считать их подтвержденными - фундаментальной аксиомой науки.Почему Барнс сейчас против науки, я не знаю. Но Барнс на самом деле сейчас говорит, что, поскольку логически возможно, , что мы, , могли бы когда-нибудь подтвердить случаи сверхъестественного действия, поэтому, когда мы спрашиваем, насколько вероятно это основано на прошлых случаях, мы должны учитывать все утверждения сверхъестественного агентства. как уже было подтверждено, что это настоящие заявления сверхъестественного агентства! Тот. Делает. Нет. Смысл.

Я не могу понять, почему Барнс вообще сказал это.

Вероятности должны основываться на знаниях. Даже в гипотетических наборах вещи, о которых мы не знаем, должны быть исключены как неизвестные .

Примечательно, что это то, что я продолжаю объяснять ему обо всех статьях по физике, посвященных точной настройке, которые он цитирует: в них не хватает информации, чтобы сделать пригодные для использования утверждения в качестве аргумента в пользу точной настройки. Барнс никогда не отвечает ни на один из моих аргументов по этому поводу. Он просто отрицает суть дела, как будто я не приводил аргументов.

(4) Четвертый аргумент Барнса:

Точно настроенная вселенная ожидается на 100% от атеизма, если и только если наблюдатели на 100% ожидают от атеизма.Наблюдатели не ожидаются от атеизма на 100%, потому что большинство возможных вселенных не поддерживают наблюдателей - это вопрос тонкой настройки. Таким образом, от атеизма нельзя ожидать точной настройки вселенной.

Технически это я должен включить в набор простых утверждений. Поскольку здесь нет реальных аргументов. Просто утверждение. Но я включаю его в качестве репрезентативного примера утверждения, которое я подробно опровергал в TEC и снова в моем последнем ответе . Барнс просто продолжает игнорировать все, что я сказал, и утверждает, что опровергает меня.Он не может этого сделать, поскольку он даже не рассматривает ни один из моих аргументов. Который уже опровергает его . Это сводит с ума. Зачем я беспокоюсь?

Еще раз:

Да, менее 100% возможных вселенных будут содержать наблюдателей; но эти другие вселенные никогда не будут наблюдаться; следовательно, мы не можем быть в одном. Тот факт, что мы наблюдаем, означает, что мы находимся в наблюдаемой Вселенной. Таким образом, мы не можем использовать этот факт, чтобы отличить, что послужило причиной существования этой вселенной. Все атеистические вселенные с наблюдателями в них будут отлажены.Таким образом, поскольку тонкая настройка существует во всех атеистических вселенных, она не может быть свидетельством против атеизма. Таким образом, нам остается выбрать априорную вероятность. Это совершенно другой вопрос . То, что действительно связано, например, с тем, что Барнс отвергает как пороговую вероятность точной настройки, но он не показывает никаких признаков понимания, на чем это основано и почему это актуально. Никакой альтернативы он не предлагает. Он также не показывает никаких признаков понимания важности предыдущих наблюдений, таких как я обсуждаю в TEC , стр.282-83. Опять же, Барнс просто игнорирует и игнорирует все, что я утверждаю.

Я также повторю мысль, которую я сделал в прошлый раз, которая, кажется, ускользает от Барнса, что «менее 100% возможных вселенных будут содержать наблюдателей» на самом деле так же верно как для теизма, так и для атеизма. Поскольку предположение, что Бог когда-либо или только создаст обитаемые вселенные, на самом деле не оправдано никакими доказательствами или логическим следствием. Таким образом, вы должны произвольно выбрать Бога с необходимыми мотивами из множества всех возможных богов, чтобы привлечь наблюдателей к теизму, точно так же, как физика должна была произвольно выбрать вселенную с необходимыми характеристиками, чтобы привлечь наблюдателей к атеизму.Насколько нам известно, это промывка. Мы не можем указать один вариант с большей вероятностью, чем другой (как я подробно объяснил в моем последнем ответе ). Хуже того, так получилось, что больше вселенных Бога не настроены точно , чем вселенные атеистов, потому что богам не нужны точно настроенные вселенные. Еще один аргумент, который Барнс постоянно игнорирует.

Я знаю, что это бесполезно. Барнс игнорирует все, что я говорю. Но для моих , не заблуждающихся по поводу читателей, вот как это выходит из строя. Когда ~ e = ненастроенная вселенная, тогда P (~ e | God) больше 0.Для иллюстрации скажем, что это 60%, поскольку есть так много лучших вселенных, которые Бог мог бы создать, не ограничиваясь тонкой настройкой непонятных физических констант. Итак, представьте на мгновение, что 60% всех вселенных, которые может создать Бог, не требуют такой тонкой настройки. Таким образом, P (~ e | God) = 0,60. Но если P (~ e | God) = 0,60, то обязательно так, что P (e | God) = 0,40, поскольку P (e | God) обязательно является обратным P (~ e | God). А P (e | God) означает P (соблюдается точная настройка | Бог). Итак, на этой иллюстрации от теизма ожидается только 40% тонкой настройки.В отличие от атеизма, этого ожидают на 100%. Потому что P (~ e | атеизм) равняется нулю. Если атеизм истинен, то нет вселенных, в которых мы могли бы когда-либо наблюдать себя, которые не были бы точно настроены.

Все возражения, которые Барнс пытался выдвинуть против этого, на самом деле уже были рассмотрены в TEC , как я еще раз объяснил в своем последнем ответе, где я повторил и объяснил эти возражения. Барнс по-прежнему игнорирует всех до единого. Он думает, что не игнорирует их. Он продолжает аргументировать.Но ни один из них не обращается ни к одному из аргументов моих . Барнс до сих пор даже не указал, что понимает мои аргументы и . Потому что он думает, что знает, что это такое. Но он спорит с иллюзией обо мне в своей голове. Не с фактическими аргументами, которые я привел. И нет смысла с таким спорить.

(5) Пятый аргумент Барнса:

При обсуждении мультивселенной Карриером используется другой подход к вероятности, который несовместим с подходом к вероятности, применяемым для точной настройки в другом месте в TEC .Эта непоследовательность подрывает весь его подход - стойки ворот меняются по желанию.

По иронии судьбы, теперь Барнс перемещает стойки ворот на , изменяя его аргумент . Первоначально казалось, что он пытался аргументировать нашу предполагаемую неспособность разработать распределение вероятностей в бесконечном пространстве с целью вычисления вероятности существования вселенной, несущей жизнь, среди всех возможных вселенных - с этим фактом я согласен. с (я даже процитировал формальную статью, демонстрирующую это), но всякий, кто соглашается с этим, должен признать, что аргумент точной настройки неверен.Барнс, похоже, не осознает этого следствия. Хотя я уже говорил ему это несколько раз. И все же он противоречит себе в другом месте, настаивая на том, что мы, , можем разработать эти бесконечные вероятностные распределения. Он не может решить, что это такое.

Опять же, нигде в TEC я не использую бесконечное распределение вероятностей. Похоже, сейчас Барнс в этом признает. Так что, возможно, он признает, что этот его аргумент не имеет никакого отношения к моему аргументу в TEC .Чтобы снова попытаться проявить максимальную благотворительность, я предположу, что Барнс имел в виду критиковать мой аргумент , совершенно другой аргумент (который я завершил здесь ). Я не пытаюсь вычислить вероятность! Скорее, я показываю, что , какая бы вероятность ни возникла при определенном наборе предположений (которые я четко формулирую), она должна быть бесконечно близкой к 100%, что будет существовать мультивселенная, несущая жизнь.

Чтобы предотвратить неправильное прочтение здесь в стиле Барнса, позвольте мне повторить, что , аргумент основан только на заявленных предположениях, и прямо говорит, что вывод не следует, если мы откажемся от одного из этих предположений; он также показывает последствия отказа от любого из этих предположений.Кроме того, должно быть ясно, что утверждение, что мы не знаем, как вычислить вероятность , - это не то же самое, что , когда сказать, что мы вообще ничего не можем сказать об этой вероятности. Это легко показать, просто проделав все это с конечными распределениями вероятностей, а затем используя метод исчерпания (увеличение логически возможного конечного числа вселенных), чтобы показать, где будет вероятность, даже если мы не можем полностью понять, что это такое. Барнс никогда не обращается ни к одному из этих пунктов .

Итак, это не только не имеет ничего общего с моим байесовским аргументом в TEC , и не только не использует байесовские аргументы вообще (и поэтому не имеет отношения к любым дебатам по поводу моего использования теоремы Байеса), но и совершенно другой аргумент, основанный на совершенно других предпосылках, ни одной из которых не соприкасается Барнс.

Теперь, переставив стойки ворот, Барнс обвиняет меня, , в перемещении стоек ворот со своим странным заявлением о моей непоследовательности.Раньше это не было его аргументом. Но, загнанный в тупик, он переключил передачу и теперь делает это своим аргументом. Это обвинение ложно. Что довольно странно. Но это еще более странно, потому что нет смысла говорить, что я не могу использовать разные интерпретации вероятности в различных аргументах . Пока я согласован с в каждом аргументе , нет никаких противоречий, на которые можно жаловаться.

Я не использую разные интерпретации. Но даже если бы я это сделал, это совершенно законно.Если только Барнс не настаивает на том, что верна только одна интерпретация и , любой (не только я), использующий другую интерпретацию, всегда неправ. Но, как ни странно, Барнс, кажется, пытается настаивать на обратном, что I неправы, настаивая только на одной интерпретации (что все сводится к частоте). Итак, Барнс противоречит сам себе. С одной стороны, ему не нравится, что я утверждаю, что все интерпретации вероятности семантически сводятся к тому или иному утверждению о частоте.С другой стороны, он настаивает на том, чтобы я не использовал более одной интерпретации вероятности, потому что это каким-то образом «непоследовательно». Непонятно. Поистине совершенно непонятно.

Но это также просто неправильно. В моем аргументе о мультивселенной я не использую ничего , а - частотную интерпретацию вероятности. Почему он думает, что я нет, совершенно ускользает от меня. С одной стороны, он, кажется, думает, что гипотетические вселенные нельзя сосчитать (что опровергает все аргументы тонкой настройки - спасибо, Люк Барнс!).С другой стороны, он, кажется, думает, что их можно сосчитать и что этот счет будет небольшим для вселенных, несущих жизнь, по сравнению со всеми вселенными, не несущими жизнь. Что, как я ему объяснил, МакГрю опровергает. Но помните, Барнс никогда не отвечает ни на какие аргументы, которые я привожу или цитирую.

Барнс здесь противоречит сам себе. Не я. Выберите переулок, доктор Барнс. Можно ли подсчитать гипотетические вселенные, чтобы создать среди них определенное количество вселенных, несущих жизнь? Или нет?

(6) Шестой аргумент Барнса:

Не существует такого понятия, как «трансфинитный частотный диапазон».Найдите минутку в Google с этой фразой - единственный результат - сообщение в блоге Carrier (и, возможно, теперь это). Буквально никто никогда - ни математик, ни ученый, ни философ… ни даже бестолковый шарлатан - никогда раньше не использовал эту фразу, вплоть до Google (и Google Scholar, Google Книги, Википедии, arxiv.org, Bing, Yahoo!). и даже Спросите Дживса) может сказать. Сделайте свой вывод. Эти два вида частотности называются «конечный частотный подход» и «гипотетический частотный подход».

Это действительно момент ладони лица.Во-первых, позвольте мне погуглить, что для вас . А затем погуглите «трансфинитная вероятность» , поскольку помните, я говорю о заявлении Барнса о том, что трансфинитные вероятности не могут происходить из трансфинитных частот. Это тот, кто утверждает, что вы не можете выполнять «частотную обработку» на бесконечных множествах. Затем я ответил: «Я тоже, так в чем ваша точка зрения?» Затем Барнс игнорирует то, о чем мы на самом деле говорим, закрывает крышу над простой фразой, которую я использовал, чтобы сообщить об этом популярной аудитории, а затем думает, что «гипотетический частотный подход» - это не то, о чем я говорил, хотя, очевидно, это было так.Просто читатели не будут знать, что это означает или какое отношение это имеет к трансфинитной математике, о чем пытался донести Барнс (о чем думает большинство читателей), так что этот термин был бы бесполезным для использовать. Ученым, как правило, очень трудно понять важность массовой коммуникации и то, что большинство читателей не узнают, что означает их жаргон. И пишу для массовой аудитории. Преодолей это, Люк Барнс.

Итак, давайте перестанем отвлекаться от бессмысленной чуши, и давайте поговорим о том, о чем мы, , на самом деле спорим, .Барнс утверждает, что мы не можем получить вероятности, подсчитывая частоты на бесконечных множествах. В каком смысле это правда, а в каком - совсем другой спор. Но это неважно. Потому что я этого не делаю в TEC . Так что это спорный вопрос. И я даже не делаю этого в своем аргументе о мультивселенной. Что я делаю? он приближается к 100%.Это не говорит о том, какова вероятность. Он указывает общую область в общем вероятностном пространстве, где она должна лежать. Барнс никогда даже не называл это моим аргументом, не говоря уже о его опровержении. И снова Барнс предпочел бы ныть по поводу терминологии, чем когда-либо даже отвечать на все, что я когда-либо на самом деле спорил.

Барнс также ссылается на интересные статьи Алана Хайека против конечных и гипотетических частот . И снова Барнс вообще не взаимодействует с моей защитой гипотетического частотного движения (в Proving History , стр.257-65). Он не говорит, что процитированная статья даже опровергает это. Например, мое обсуждение физико-гипотетического моделирования (обобщение , в точности то, что, по словам Барнса, делают физики для получения частот точной настройки) опровергает треть точек зрения Хайека, а замена метода исчерпания опровергает еще одну треть точек зрения Хайека, и оставшаяся треть не имеет отношения ни к чему, что мы обсуждаем, потому что они относятся только к трудностям определения бесконечно малых вероятностей (проблема, которую сам Хайек даже предлагает решить), и я никогда не полагался на , определяющее как бесконечно малую вероятность.Это просто еще один пример того, как Барнс игнорирует все, что я говорю. И не прилагает никаких усилий, чтобы понять это.

Часть третья

Вот единственные пункты, которые Барнс делает в записи два , которые он представляет в любом случае:

На самом деле, за исключением одного исключения, он не делает никаких аргументов во второй статье, которые он представляет. Он просто делает кучу утверждений, ни одно из них не поддерживает. И также игнорирует многое из того, что я сказал.

Итак, все, на что мне осталось ответить (в остальном, , что у меня есть уже на самом деле утверждал, - достаточный ответ), на самом деле является единственным примером, с которым я когда-либо сталкивался, когда Барнс действительно отвечает на то, что я сказал: и правильно его опровергает!

Барнс показывает (посредством связанной работы), что открытие Фредом Адамсом 25% -ного пространства обитаемости в пределах вариаций физических констант следует исключить из этой дискуссии, потому что Адамс имел в виду только в пределах произвольного пространства всех вселенных, которые могут иметь звезды в любом общепринятом смысле. , не все возможные пространства (многие из которых, заключает Адамс, будут иметь звезды в некотором нетрадиционном смысле , но мы не можем быть уверены, что такие вселенные будут производить организованную жизнь).Теперь я убежден, что Барнс прав в этом вопросе (и соответственно добавил примечание к моему последнему ответу). Я предполагаю, что у Барнса есть такие же веские аргументы против других, которые придумывают такие же большие пространства для обитания (хотя я не проверял их все).

Это возвращает нас к , откуда мы начали :

Мой аргумент в статье звучал так: «На самом деле мы не знаем, что существует лишь узкий допустимый для жизни диапазон возможных конфигураций Вселенной.Барнс не может процитировать ни одного документа, опровергающего это заявление. Я даю две причины . Барнс делает вид, что я дал только одну. А потом, когда он переходит ко второму, он забывает, что мой второй аргумент имеет отношение к первому. Только один из двух моих двух аргументов в пользу этого общего тезиса (которого мы не знаем) состоит в том, что некоторые исследования получают широкий диапазон, а не узкий. … Затем я перехожу к второй причине , которая состоит в том, что даже эти бумаги бесполезны . Поскольку в моем следующем предложении, предложение, которое Барнс скрывает на потом и притворяется, не является продолжением того же аргумента, гласит: «И даже , эти модели искусственно ограничивают константы, которые изменяются константами в нашей вселенной , когда на самом деле может быть любое количество других констант и переменных , что делает совершенно невозможным для любого смертного вычислить вероятность существования вселенной, несущей жизнь, из любой случайно созданной вселенной.Как скажет вам любой честный космолог ».

Первый аргумент, который, как я теперь допускаю, есть у Барнса. Но остается второе. Этот второй аргумент состоит из двух пунктов: один - это математическая невозможность , а другой - проблема с параметрами.

Математическая задача Барнс просто настаивает, что может обойтись, но все, что он делает, - это машет рукой; он до сих пор никогда не рассматривает и не опровергает аргументы МакГрюса по этому поводу. Таким образом, их аргументы неопровержимы. Вместо этого Барнс использует самое удивительное заблуждение ad hominem, когда-либо существовавшее: он цитирует в блоге МакГьюса, который называет меня мусором, , как будто это имело какое-либо отношение к их правоте в отношении их рецензируемой опубликованной статьи, опровергающей Barnes .Действительно. То, что МакГрюсы говорят обо мне в своем блоге, вряд ли можно назвать честным и заслуживающим доверия отношением (вы сами можете убедиться в этом - это тоже на шесть лет устарело). Но это все равно совершенно не имеет отношения к тому, о чем мы с Барнсом обсуждаем. Барнс не может избежать моих аргументов, утверждая, что кто-то другой считает меня отстойным. И для него использовать это в качестве предлога, чтобы избежать аргументов даже их , тех самых людей, чьим суждениям, по его мнению, мы должны доверять, является некоторой наглостью. Похоже, он просто намерен полностью избежать их статьи и ее последствий для его дела.И надеется, что вы не заметите, что он делает.

Тогда есть проблема с параметрами. Количество возможных параметров не ограничивается параметрами нашей Вселенной. В нашей вселенной многие из этих параметров могут быть обнулены или настолько малы, что их невозможно обнаружить, или даже физически невозможно, но возможно во вселенных других конфигураций.

Например, Адамс вычислил только те параметры, которые существуют в нашей вселенной. Но это не относится к юниверсам с другими параметрами.Адамс исследовал, что происходит, когда вы меняете по отношению друг к другу четыре силы: гравитацию, электромагнетизм, а также сильную и слабую силы (которые он объединяет в один фактор). Но что, если, скажем, в нашей соседней Вселенной существует пятая сила, которая изменяет их взаимодействие? В самом деле, что, если этот пятый источник будет отталкивающим, а не привлекательным? Что, если его переносят только одни частицы, а другие нет? Что тогда происходит? Будут ли некоторые из этих вселенных содержать звезды и, следовательно, химию и, следовательно, жизнь? Как мы должны утверждать, что знаем? Мы не можем.Точно так же наша Вселенная имеет три открытых пространственных измерения. А как насчет вселенных, в которых их четыре, десять или миллион? Что тогда происходит? Покажите мне бумагу, в которой рассказывается об этом, о бесконечном числе возможных других сил и обо всем остальном.

Тогда что, если, когда гравитационная сила возрастет за определенную точку больше, чем другие силы (сколько бы сил ни было в этой гипотетической инопланетной вселенной, которую мы обсуждаем), она схлопнет получившуюся вселенную, вызвав еще один Большой взрыв? (Как, конечно, и произошло бы, если не допустить внесения еще более бесконечно возможных изменений в физику.) А что, если это всегда сбрасывает значение гравитации, что, по-видимому, и должно быть, если сила гравитации могла быть выбрана случайным образом во время Большого взрыва в первую очередь? Тогда будет верхний предел размера гравитационной постоянной по отношению к другим силам, потому что все вселенные с большими гравитационными силами будут продолжать коллапсировать до тех пор, пока не будет сгенерирована меньшая сила. Итак, что такое , что верхний предел? Есть ли аналогичные верхние пределы для других сил? Опять же, какие еще силы? (Поскольку их может быть больше, чем есть у нас.)

Кстати, Барнс теперь настаивает, что «байесовская вероятность всегда имеет дело со свободными параметрами с бесконечным диапазоном в физике». Вопреки его утверждению, что я не могу рассчитывать вероятность со свободными параметрами с бесконечным диапазоном. Вздох. Но это все еще только тогда, когда вы знаете ограничения. Таким образом, он все еще не понимает того, о чем я говорю сейчас и что я делал после моего последнего ответа, а именно, что поистине бесконечное пространство параметров включает в себя бесконечное возможное количество пространственных измерений, бесконечное возможное количество сил, а также отталкивающее как привлекательный , бесконечные возможные законы физики, управляющие взаимодействием этих сил, и бесконечное возможное количество способов, которыми эти силы могут быть ограничены процессами, которые их сбрасывают.Действительно, доктор Барнс, проводила ли рецензируемая статья математическое вычисление с учетом всех этих фактических возможностей ? Я почти уверен, что ответ отрицательный. Как я сказал с самого начала. А Барнс этого просто не признает.

Если вселенная выбрана из всех случайно возможных вселенных , какова вероятность того, что она породит какой-либо вид разумной жизни где-то внутри?

Мы не знаем ответа на этот вопрос.

Часть четвертая

Барнс делает только один пункт в записи три , который он представляет в любом случае:

В ответ на мое высказывание :

Барнс хочет, чтобы получил другой результат, настаивая на низкой априорной вероятности наблюдателей - это означает, что поскольку априорные вероятности всегда являются относительными вероятностями, эта вероятность мала без Бога , т.е.е. что на основании предварительных соображений гораздо более вероятно, что наблюдатели будут существовать , если Бог существует , чем если бы Он не существовал.

Барнс говорит это:

Эти предложения не соответствуют байесовской вероятности 101. Априорные вероятности - это вероятности гипотез . Всегда.

И он правильно продолжает об этом. Но моя формулировка ввела его в заблуждение. Так что я не могу его винить.

То, что он имел в виду, действительно то, что я имел в виду: гипотезы случайного Бога, создающего наблюдателей, или случайная физика, создающая это.Я должен был сказать, что «априорная вероятность того, что безбожные наблюдатели мала». Другими словами, он хочет, чтобы априорная вероятность физики, создающей наблюдателя, была намного ниже априорной вероятности создания Бога наблюдателем. Но поскольку это относительные вероятности, априорная вероятность «Бога-наблюдателя» не просто обратная вероятность точной настройки, равно как и априорная вероятность того, что богатый человек разбогател, выиграв в лотерею, является вероятностью выигрыша в лотерею.Если есть только два способа разбогатеть, A и B, и каждый из них имеет вероятность 1 из 1 000 000, тогда априорная вероятность того, что богатый человек разбогател благодаря A, не равна 1 из 1 000 000, это 50%. Я пытался сказать то же самое о гипотезах возникновения наблюдателей. И Барнс до сих пор ни разу не ответил на этот вопрос. Хотя, возможно, в данном случае потому, что я его запутала.

Апостериорная вероятность, генерируемая одним элементом данных, становится априорной вероятностью для следующего прогона уравнения.Таким образом, если мы запустим математику только для одного элемента данных (есть наблюдатели), мы можем начать с априорных значений для двух гипотез «Бог» или «Безбожная физика» и сгенерировать апостериорную вероятность наблюдателей. И затем эта апостериорная вероятность используется как априорная вероятность , когда мы запускаем математику для следующих данных (наблюдается точная настройка) для тех же двух гипотез. Это то, о чем я имел в виду. Я предполагал, что он хочет разбить аргумент на два этапа: один запуск на простом факте наблюдателей (прежде чем мы рассмотрим точную настройку), а затем включить результат в цикл для «точной настройки».«Я просто плохо это сформулировал.

Лучше сказать это так:

Барнс хочет, чтобы вероятность безбожных наблюдателей была низкой, чтобы утверждать (возможно?), Что вероятность того, что мы являемся созданными Богом наблюдателями, высока. И он хочет сделать это, сказав, что «наблюдатели» вряд ли будут иметь дело с Безбожной Физикой, но скорее всего с Богом. И он хочет использовать для этого тонкую настройку. Но тонкая настройка здесь не помогает. Потому что точная настройка всегда верна, когда есть наблюдатели и нет Бога. Так что нам нужно что-то необычное только в наблюдателях.Мы можем предположить, что Бог, вероятно, создаст наблюдателей, но какова вероятность того, что этот Бог окажется среди всех других возможных богов? Разве это выше, чем вероятность существования вселенной, несущей жизнь, среди всех других возможных вселенных? Откуда нам знать? Если вы просто предполагаете Бога, заинтересованного в жизни, тогда вы можете просто предполагать равную удачу для Безбожной Физики. И это ни к чему не приведет.

Таким образом, все, что говорит Барнс на данный момент, верно. Это просто не касается того, о чем я на самом деле говорил (или чего-либо, что я вообще обсуждал).Хотя в этом случае его замешательство полностью моя вина. По той или иной причине он до сих пор никогда не касался этого вопроса.

Заключение

Вот и все. Это все, что Барнс ответил на мою последнюю запись в этой дискуссии. Он оставил большую часть без ответа. И ошибся во всем остальном (в одном случае, потому что я ввел его в заблуждение), за исключением одного хорошего опровержения (моей цитаты Фреда Адамса), которое я теперь признаю.

В конце Барнс подвел итоги.Давайте посмотрим на итоги:

• «Кэрриер не рассмотрел обвинение в несоответствии теории вероятностей».

Барнс не обнаружил никаких несоответствий, относящихся к моей статье в TEC или моему (очень и совершенно другому) аргументу мультивселенной .

• «Он придумал вероятностные концепции, о которых никто никогда раньше не слышал, включая« трансфинитный частотный подход »и« экзистенциальное вероятностное исчисление ».

Разговорные выражения не имеют отношения к этой дискуссии.Барнсу необходимо рассмотреть аргументы, обозначенные этими словами. Не жаловаться на то, как сильно он не любит разговорные слова (особенно шутки, как последнее).

• «Он отказался от своего предыдущего утверждения, что« все научные модели, которые у нас есть… показывают, что вселенные, несущие жизнь, являются обычным результатом случайных изменений вселенной, а не редкостью ».

Теперь я согласен с этим. Я поправлю статью, в которой я это сказал.

• Он совершенно неправильно понимает мою довольно очевидную мысль о том, что «для данной возможной вселенной мы определяем физику», и тем самым показывает, что он не понимает тонкой настройки на самом базовом уровне.”

На самом деле это Барнс не понимает, о чем я говорю. Вы не можете просто решить, какие вселенные физически возможны. Существует больше возможностей в возможном пространстве, из которого наша Вселенная была бы случайным образом выбрана, чем во вселенных, имеющих только и все те же параметры, что и наша. Вселенные могут иметь разные формы, размеры, силы, физику, они могут иметь силы отталкивания, а также притяжения, у них могут быть физические ограничения на то, насколько сильными могут быть силы в них, и многие другие физические различия.Барнс постоянно не понимал значения этого момента. Никакой аргумент в форме «вселенные, создающие наблюдателя, чрезвычайно малочисленны в совокупности всей вселенной, которая могла бы случайным образом существовать без Бога», не может быть применен. Потому что мы не можем даже определить все возможные вселенные в этом наборе. Мы, конечно, никогда не пересчитывали их всех и не определили, сколько наблюдателей возможно. Я почти уверен, что ни одна из газет, на которые ссылается Барнс, никогда не делала этого. Я почти уверен, что это невозможно.Число возможных способов изменения вселенной бесконечно умножено (бесконечно много размерных структур, бесконечно много массивов и комбинаций сил, бесконечно много способов ограничить максимумы сил и т. Д.). И статья МакГрюса о математическом факте, что это невозможно сделать, также не опровергается. Барнсом или кем-то еще.

• «И, наконец, аргумент Кэрриера относительно« настоящего сердца материи »теряет смысл из-за глубокого непонимания основ теории вероятностей.”

Барнс этого не показал. Он правильно определил некоторую плохую формулировку в какой-то момент. Но исправление формулировки не меняет аргументацию. И он до сих пор не опроверг аргумент .

Где сейчас дела:

• Барнс никогда не опроверг мои фактические аргументы в TEC . Он это сказал. Но он все равно не ответит на аргументы, опровергающие его.
• Барнс, кажется, даже не понимает мой аргумент мультивселенной .Ему еще предстоит правильно описать это или опровергнуть какие-либо из его предпосылок.

Барнс, кажется, противоречит самому себе, отрицая, что мы можем использовать гипотетические наборы частот, а затем настаивает на том, чтобы мы использовали гипотетические наборы частот, чтобы вычислить, сколько гипотетических вселенных могло бы нести жизнь; и, отрицая, что мы можем выводить частоты из бесконечных наборов, затем настаивая на том, что мы можем выводить частоты из бесконечных наборов. Здесь ему нужно выбрать переулки. Можем ли мы использовать гипотетические наборы частот, чтобы вычислить, сколько гипотетических вселенных будет нести жизнь? Затем мы можем использовать гипотетические наборы частот.Можем ли мы получить частоты из бесконечных наборов? Тогда я могу получить частоты из бесконечных наборов. Хотя у меня никогда не было. Ни мой аргумент в TEC , ни даже мой аргумент мультивселенной (который один даже обсуждает бесконечные множества) этого не делают.

Чего Барнс не понимает, так это того, что точная настройка будет наблюдаться во всех наблюдаемых атеистических вселенных. Следовательно, P (наблюдается точная настройка | атеизм) = 1. Это не относится к созданным Богом вселенным. P (соблюдается точная настройка | Бог) на самом деле меньше , чем 1.Потому что на основе теизма (и только на основе теизма) мы могли когда-либо наблюдать себя во вселенной , отличной от -тонко настроенной. Это подводит нас к вопросу об основной вероятности того, что наблюдатели вообще будут в любом смысле (кроме Бога). Это зависит от относительной вероятности получить счастливого бога или счастливую вселенную; не абсолютные вероятности или . И вероятность точной настройки вселенной - это абсолютная, а не относительная вероятность; это означает, что мы все равно должны соотнести это с вероятностью необходимой тонкой настройки для God .И мы не знаем, что это за относительная вероятность. Независимо от того, насколько малой вероятностью может быть точная настройка, удача нашего Бога может быть столь же невероятной . Мы буквально не знаем.

И заметьте, что это не может быть просто Богу, достаточно удачливому (для нас), что он захотел создать любого типа наблюдателей - поскольку мы наблюдаем, что мы не ангелы на небесах, например, - но который хотел создать наблюдателей нашего специфического, беспорядочного, физического, небесного вида в почти полностью негостеприимной вселенной, вселенной, построенной точно так, как должна была бы быть вселенная безбожников .Другими словами, Бог, который не только к счастью существует, и который не только удивительно, к счастью, обладал всеми необходимыми знаниями, способностями и желаниями, но и Бог, у которого было очень конкретное и своеобразное желание создать вселенную, которая выглядит в точности как Вселенная без Бога в ней.

Это аргумент TEC . И Барнс до сих пор просто игнорирует это.

Мой друг выбрал помощь в смерти в Швейцарии. Ее предсмертным желанием было рассказать вам, почему

62-летняя американка повернула ручку на стержне для капельницы и вскоре заснула в последний раз.

Я останавливался с ней и ее мужем Дэвидом в Ноксвилле, штат Теннесси, последние три ночи перед отъездом в Базель. И я разговаривал с ней в последний раз за 12 часов до ее смерти.

Синди была вынуждена отказаться от мощной корпоративной карьеры в возрасте 35 лет и десятилетиями боролась с горсткой болезненных болезней. Она тратила много времени на поиски новых методов лечения и пропаганду медицинских исследований, зная, что ее труды никогда не принесут пользы.

Когда, наконец, стало ясно, что никакие лекарства не могут облегчить ее сильные страдания, она выбрала добровольную вспомогательную смерть, процедуру, которая незаконна в ее родном штате.

Ее предсмертным желанием было, чтобы я рассказал ее историю в надежде, что это поможет делу всех американцев, которые однажды получат доступ к такой смерти с достоинством.

«Я так много работала волонтером», - сказала она мне в свой предпоследний день. «Это должно что-то значить. И вы делаете мне этот подарок».

Мы были связаны общим желанием помочь больным

Наша дружба была маловероятной.

Когда я знал ее, она была более чем вдвое старше меня, замужем, еврейка, жила в другом государстве, почти полностью привязана к дому из-за своих болезней. Мне было около 20 лет, я не замужем, христианин и пытался проводить свободное время, путешествуя по миру.

Но мы поделились одним диагнозом: миалгический энцефаломиелит / синдром хронической усталости (ME / CFS). После того, как она посмотрела полнометражный документальный фильм о болезни, который я снял, она каким-то образом узнала мой номер телефона в начале 2017 года и позвонила мне, чтобы я попросил помощи в пропагандистском проекте.«Я твой самый большой поклонник», - сказала она.

За следующие два с половиной года фандом стал взаимным.

Она была одним из самых вдохновляющих людей, которых я когда-либо встречал, и она излила в меня свой дух.

С каждой статьей, которую я написал для CNN, , она присылала мне сообщения вроде: «Райан, ты понимаешь, насколько это невероятно? Это мог бы быть твой Пулитцеровский!»

Она страдала от множества болезненных болезней.

Из истории ее жизни вырисовывались две основные темы: она часто страдала, но также часто находилась на пороге социальных изменений.

Когда она выросла в 1960-х годах в Ноксвилле, штат Теннесси, она стала одной из первых девочек в городе, совершивших бат-мицву. Позже она проучилась в колледже, прежде чем это стало модным, стала вегетарианкой и прошла первую прогулку против СПИДа в Сан-Франциско в 1987 году.

Эти темы сходились в ее выборе смерти, который, по ее мнению, также мог оказаться пророческим.

«Нам нужно переосмыслить то, как мы все смотрим на смерть», - сказала она мне. «Через 10 лет это будет легко.

После получения диплома с отличием Государственного университета Сан-Франциско в 1984 году она работала бухгалтером в Cigna, страховой компании. Но в 1993 году она была вынуждена уйти в отставку по состоянию здоровья и вернулась домой в Ноксвилл.

Она соответствовали диагностическим стандартам для ряда заболеваний, влияющих на иммунную и эндокринную системы: ME / CFS, фибромиалгия (которая вызывает сильную скелетно-мышечную боль) и синдром Шегрена, болезненное иммунное заболевание, симптомы которого включают сухость во рту и сухость глаз.Ей также поставили диагноз триоидит Хашимото, который потребовал удаления щитовидной железы в возрасте 28 лет. С тех пор, чтобы выжить, ей потребовались препараты для лечения щитовидной железы.

В возрасте 50 лет у нее развилось редкое генетическое заболевание, называемое болезнью Хейли-Хейли, которое вызвало болезненные волдыри на коже по всему ее телу. Каждое состояние, само по себе ужасная болезнь, накладывалось на следующее.

«Никто не знает, насколько я больна», - сказала она. «Мне часто кажется, что я в аду».

Ее опыт жизни в Сан-Франциско, когда гей-сообщество боролось с ранней вспышкой СПИДа, вдохновил ее выступить в качестве защитника призывов к биомедицинским исследованиям этих болезней.Хотя она не могла маршировать по улицам, она многого добивалась с ноутбуком, в основном с постели.

Она познакомилась со своим мужем Дэвидом Шеплером на турнире по бриджу в 2002 году. Она вышла за него замуж в следующем октябре, когда ей было 46.

Он был ее партнером, когда она собрала сотни пациентов, чтобы сформировать Всемирную поддержку болезни Хейли-Хейли. Группа в Facebook, которая предлагала пострадавшим круглосуточную поддержку.

Имран Бабар, главный научный сотрудник Института редкой геномики, сказал мне в электронном письме, что Синди обратилась в его организацию с предложением протестировать генерический препарат на пациентах Hailey-Hailey.Эта работа в конечном итоге привела к обзорной статье в журнале Integrative Biomedical Sciences, озаглавленной «Может ли налтрексон в низких дозах быть эффективным средством лечения болезни Хейли-Хейли?» Он отметил, что ее информационная деятельность побудила институт создать рабочую группу, с помощью которой редкое заболевание пациенты могут привлекать экспертов для получения труднодоступной научной информации о своем состоянии.

«Синди была одаренным коммуникатором, неутомимым защитником, блестящим связующим звеном и источником вдохновения для нашей организации», - сказал Бабар.

Синди также была послом сообщества Open Medicine Foundation, некоммерческой организации, занимающейся исследованием нейроиммунных заболеваний, таких как ME / CFS и болезнь Лайма.

Она сказала, что четыре или пять лет назад она начала видеть, что ей продолжает становиться хуже. Она стала почти полностью прикованной к дому. Она не ела в ресторане целый год. Все набеги, которые она совершала за пределами дома, обычно ограничивались посещением кабинета врача или парикмахерской каждый месяц или около того.

«У меня есть замечательный муж», - сказала она мне.«Мое единственное желание - чтобы у меня был всего год хорошего здоровья, чтобы наслаждаться с ним».

Она не хотела идти туда, куда ее забирало ее здоровье. Но если ей придется, она решила смело встретить момент.

«Я не собираюсь входить в статистику сдавшихся людей», - повторяла она мне снова и снова.

Помощь в смерти незаконна в большей части Америки

В то время как она постоянно исследовала новые лекарства, которые могли бы улучшить ее качество жизни, она также тайно работала над своим запасным планом на случай смерти.

Один из вариантов, который она рассматривала, заключался в том, чтобы попытаться убедить врача отказаться от ее жизнеобеспечивающих препаратов для лечения щитовидной железы, чтобы претендовали на хоспис. Это не могло осуществиться, потому что врачи не дали разрешения на то, что без лекарств все равно обернулось бы медленной и мучительной смертью. И самый прямой путь - помощь смерти - все еще был заблокирован.

Американская медицинская ассоциация выступает против самоубийства с помощью врача, утверждая, что оно может принести больше вреда, чем пользы. Официальное этическое мнение организации гласит, что самоубийство с помощью врача «принципиально несовместимо с ролью врача как целителя, его трудно или невозможно контролировать, и оно представляет собой серьезный социальный риск.Однако в девяти штатах США разрешена помощь при смерти в той или иной форме.

Некоторые формы помощи при смерти разрешены в Колорадо, на Гавайях, в штате Мэн, Нью-Джерси, Орегоне, Вермонте, Вашингтоне и округе Колумбия. принят за последние пять лет.

Это законно по постановлению суда в Монтане и Калифорнии.

Законодатели в штате Теннесси, где родилась Синди, подали законопроекты о «праве на смерть» еще в 2017 году, но они так и не дошли до нижнего голосования.

Американские законы о смерти с достоинством обычно требуют, чтобы человеку осталось жить менее шести месяцев.Это означает, что даже если бы Шеплеры переехали в штат с правом смерти , Синди не могла бы умереть, потому что она не соответствовала определению термина «терминал», требуемому законом.

Она не всегда чувствовала, что весь мир признает боль ее болезней или принимает ее выбор покончить с собой. Но ни один человек никогда в ней не сомневался. Дэвид сказал мне, что если бы он страдал всеми болезнями Синди, он бы искал выход много лет назад.

«Она говорила мне, что ее кожа словно горит», - сказал мне Дэвид, отмечая дни, когда она кричала от боли и спрашивала, есть ли в доме пистолет.

Он сказал мне, что перед сном она спрашивала: «Почему я должна просыпаться утром?» А утром было бы: «Почему я должен был просыпаться?» Если она сказала это однажды, она повторила это сто раз ».

Однако Синди увидела надежду за границей: медицинская помощь при смерти полностью или условно доступна в Бельгии, Канаде, Колумбии, Нидерландах, Люксембурге и Швейцарии.

Она считала, что помощь смерти «согласована» с ее духовным компасом

Для нее мягкая и мирная смерть, о которой она молилась, была просто незаконной в Теннесси.

В своей спальне Дэвид и Синди показали мне видео, снятое англиканским почетным архиепископом Десмондом Туту в 2016 году, в котором южноафриканский лауреат Нобелевской премии бросил свой огромный моральный вес в поддержку предлагаемого в Соединенном Королевстве закона об оказании помощи при смерти.

«Смертельно больные люди должны иметь возможность достойно и из сострадания умереть с помощью помощи», - сказал Туту. "Я надеюсь, что когда придет время, я надеюсь, что ко мне относятся с сочувствием и позволят перейти к следующему этапу жизненного пути так, как я выберу.«

Подобные утверждения, - сказала мне Синди, помогли ей осознать, что помощь при смерти» была чем-то, что соответствовало моему духовному компасу ».

Синди подала заявку на помощь в смерти в организацию под названием Pegasos Swiss Association.

Момент Когда она узнала, что ее заявление было одобрено, это было отмечено «экстатической благодарностью и слезами высшей радости», - сказала она мне.

Она, наконец, почувствовала облегчение. Я не знаю, пока она не ушла.

Она надеялась, что умрет дома.

В последнюю ночь моего визита я сидел с ней на «выходном собеседовании». Я спросил ее о сожалениях. Ее ответы были приземленными и глубокими.

Она сказала, что сожалеет о том, что у нее нет детей. Опасаясь, что роды могут еще больше разрушить ее и без того хрупкое здоровье, она отказала женихам, ищущим не только жену, но и мать своих детей.

На более легкой ноте она сказала, что также сожалеет о том, что не может увидеть конец «Голоса».«Победительница 17-го сезона шоу поиска талантов NBC не будет названа до финала 17 декабря. Ее встреча со смертью была назначена на день раньше.

Во время полуфинала за неделю до этого я сидел на краю. кровати Синди и Дэвида, наблюдая за ним вместе с ними.

Одна участница, Кэт Хаммок, спела старинное евангелие мелодия:

Когда я умру, Аллилуйя, мало-помалу,
Я улетаю
Я Улетай, о слава

Синди встала с кровати и стала танцевать.Это была самая живая, которую я видел за всю неделю.

Она сказала мне, что подготовила плейлист для своего последнего часа, в который вошли песни One Republic «I Lived», «Memories» Maroon 5 и, конечно же, «I'm Fly Away».

Если бы Синди не покинула этот мир, я бы сказал ей, что победителем «Голоса» стал кантри-певец Джейк Хут.

Она сама решила умереть в Швейцарии

Они полетели первым классом в Цюрих. Тело Синди было хрупким, и каждая дополнительная роскошь имела значение, достаточно ли уверенно она чувствовала себя, чтобы вообще отправиться в путешествие.

Путешествие по воздуху истянуло ее тело. Сухой воздух кабины усугубил ее состояние Шегрена. Ее кожа обожгла Хейли-Хейли. И даже 10-минутная прогулка по вестибюлю аэропорта вызвала недомогание после нагрузки, болезненную особенность ME / CFS. Она сказала мне, когда приехала туда, что не думала, что была бы физически способна вернуться обратно.

Прибыв в пятницу в Цюрих, Синди и Дэвид отправились поездом в Базель. Их пребывание в Швейцарии было недолгим по замыслу.

В воскресенье в гостиничный номер пары пришел врач, чтобы проконсультироваться с Синди и выписать рецепт на лекарство, которое положит конец ее жизни.

В ее последнее утро водитель забрал Дэвида и Синди из их отеля в 9:30, как сказал мне Дэвид позже.

В клинике он сказал, что они лежали вместе на кровати, и врач установил капельницу с длинной тонкой трубкой, вставленной в руку Синди. Когда она была готова, она сказала Дэвиду, что любит его. Она поблагодарила доктора и ассистента, которые были в комнате.

Затем она повернула циферблат.

Наркотик попал ей в вены. Синди сказала, что было холодно. Потом она заснула.

В тот день Дэвид написал мне из Швейцарии: «Синди улетела в 11:11. Она была храброй и очень благодарной. Я буду любить ее всегда».

Он также упомянул историю 86-летнего жителя Аризоны Джорджа Сандерса, который застрелил свою жену после того, как она умоляла его сделать это из-за ее осложнений от рассеянного склероза.

Сандерс был обвинен в убийстве, сослался на непредумышленное убийство и в конечном итоге был приговорен к двум годам безнадзорного испытательного срока.

По сути, Синди чувствовала, что судья не обвинял Сондерса.

«Синди отправила судье благодарственное письмо», - написал Дэвид. «Иногда я задумывался, хватит ли у меня наглости оказать ей эту« услугу », если она попросит».

В течение нескольких месяцев я задавался вопросом , что я могу сделать в подобной ситуации, когда я женат.

Она хочет, чтобы ее память была светом для других

В те первые несколько дней после ее смерти я не мог плакать. Все мое тело могло только болеть от горя. Мне стало тяжело. Каждое утро я спал намного дольше, чем обычно.

Один друг однажды сказал мне, что когда кто-то, кого мы знаем, умирает, мы фактически оплакиваем смерть той части себя, которую знали только они.

Я снова и снова перечитываю заметки из интервью с Синди. На листе бумаги я нацарапал маркированный список ее советов, чтобы повесить его на стену и видеть каждый день.

В нашем последнем разговоре она сказала мне, что читала Псалом 23 из Библии о подготовке к походу в долину тени смерти. Я поблагодарил ее за то, что она поддерживала меня в самые тяжелые для меня времена.

«Вы вернули мне поровну», - сказала она. «Я хотел помочь вам раскрыть свой потенциал так, как вы, возможно, еще не видели».

Она также изменила ответ из своего интервью, проведенного за несколько дней до этого, о своем решении растить детей: «Я знаю, что если бы у меня был такой сын, как ты, то у меня был бы».

В том последнем телефонном звонке она также обратилась к миру с посланием.

«Не смей позволять никому говорить, что я потеряла надежду», - сказала она. "Потому что я этого не сделал. На данный момент ничего нельзя сделать.«

Через два дня после ее смерти я узнал, что история, которую я вложил в написание своей души, заняла первое место среди читателей в 2019 году, и третье место среди всех наших конкурентов. босс, босс моего босса и босс моего босса. Это была не Пулитцеровская премия, как предсказывала Синди, но она была близка.

Только тогда я задохнулся. Впервые после смерти Синди слезы текли из моих глаз, потому что я понял, что не могу сказать кому-то, кто бы больше всего радовался этому.

Анализ ROC и рабочие характеристики • mlr

Для двоичных скоринговых классификаторов значение порога (или отсечки ) определяет, как предсказанные апостериорные вероятности преобразуются в метки классов. Кривые ROC и другие графики производительности служат для визуализации и анализа взаимосвязи между одним или двумя показателями производительности и пороговым значением.

Эта страница в основном посвящена кривым рабочей характеристики приемника (ROC), которые отображают процент истинных положительных результатов (чувствительность) на вертикальной оси и частоту ложных положительных результатов (1 - специфичность, выпадение) на горизонтальной оси. ось для всех возможных пороговых значений.Создание других графиков производительности, таких как графики подъема Графики точности / отзыва или работает аналогично и кратко показано.

В дополнение к визуализации производительности кривые ROC полезны в

• определение оптимального порога решения для данного класса априорных вероятностей и стоимости ошибочной классификации (альтернативы см. Также на страницах, посвященных чувствительной к затратам классификации и проблемам несбалансированной классификации в этом руководстве),
• определение регионов, в которых один классификатор превосходит другой, и построение подходящих систем с несколькими классификаторами,
• получение калиброванных оценок апостериорных вероятностей.

Для получения дополнительной информации см. Учебные пособия и вводные статьи Фосетта (2004), Фосетта (2006), а также Флэха (ICML 2004).

Во многих приложениях, таких как, например, диагностические тесты или обнаружение спама, существует неопределенность в отношении априорных значений класса или стоимости ошибочной классификации во время прогнозирования, например, из-за того, что сложно количественно оценить затраты или потому, что стоимость и априорные значения класса меняются со временем. В этих обстоятельствах ожидается, что классификатор будет хорошо работать для всего диапазона пороговых значений решений, а площадь под кривой ROC (AUC) обеспечивает скалярную меру производительности для сравнения и выбора классификаторов. mlr предоставляет AUC для двоичной классификации (auc), а также несколько обобщений AUC для случая нескольких классов (например, multiclass.au1p, multiclass.au1u на основе Ferri et al. (2009)).

mlr предлагает три способа построения ROC и других кривых производительности.

1. Функция plotROCCurves () может на основе выходных данных generateThreshVsPerfData () построить кривые производительности для любой пары показателей производительности, доступных в mlr .
2. mlr предлагает интерфейс для упаковки ROCR через функцию asROCRPrediction () .
3. Функция mlr plotViperCharts () предоставляет интерфейс для ViperCharts.

Для mlr версии 2.8 функции generateROCRCurvesData , plotROCRCurves и plotROCRCurvesGGVIS устарели.

Ниже приведены несколько примеров, демонстрирующих три возможных способа.Обратите внимание, что вы можете использовать только тех учеников, которые способны предсказывать вероятности. Взгляните на таблицу учащихся в Приложении или запустите listLearners ("classif", properties = c ("twoclass", "prob")) , чтобы получить список всех учащихся, которые поддерживают это.

Как вы, возможно, помните, generateThreshVsPerfData () вычисляет один или несколько показателей производительности для последовательности пороговых значений решения от 0 до 1. Он предоставляет методы S3 для объектов класса Prediction () , ResampleResult () и BenchmarkResult ( ) (в результате прогнозировать ( прогнозировать.WrappedModel () ), resample () или Benchmark () ). plotROCCurves () отображает результат generateThreshVsPerfData () с использованием ggplot2 .

Пример 1: одиночные прогнозы

Мы рассматриваем набор данных Sonar ( mlbench :: Sonar () ) из пакета mlbench , который создает проблему бинарной классификации ( sonar.task () ) и применяем линейный дискриминантный анализ ( MASS :: lda () ).

Поскольку мы хотим построить кривые ROC, мы вычисляем ложные и истинные положительные результаты (fpr и tpr). Кроме того, мы также вычисляем частоту ошибок (mmce).

generateThreshVsPerfData () возвращает объект класса ThreshVsPerfData ( generateThreshVsPerfData () ), который содержит значения производительности в элементе $ data .

По умолчанию plotROCCurves () отображает значения производительности первых двух показателей, переданных в generateThreshVsPerfData () .Первый показан на оси x, второй - на оси y. Кроме того, добавляется диагональная линия, представляющая производительность случайного классификатора. Вы можете убрать диагональ, установив diagonal = FALSE .

Соответствующую площадь под кривой (auc) можно рассчитать обычным образом, позвонив по номеру performance () .

plotROCCurves () всегда требует пары показателей производительности, которые построены относительно друг друга. Если вы хотите построить график зависимости отдельных показателей от порога принятия решения, вы можете использовать функцию plotThreshVsPerf () .

В дополнение к линейному дискриминантному анализу ( MASS :: lda () ) мы пробуем использовать векторную машину поддержки с ядром RBF ( kernlab :: ksvm () ).

  lrn2 = makeLearner ("classif.ksvm", expect.type = "prob")
mod2 = поезд (lrn2, sonar.task, subset = train.set)
pred2 = предсказать (mod2, task = sonar.task, subset = test.set)  

Чтобы сравнить результаты двух учащихся, вы можете отобразить две соответствующие кривые ROC на одном графике.Для этого просто передайте именованный список из Prediction () s в generateThreshVsPerfData () .

Из графика выше видно, что kernlab :: ksvm () имеет немного более высокую AUC, чем lda ( MASS :: lda () ).

На основе $ data члена df вы можете легко создавать настраиваемые графики. Ниже наложены кривые для двух учащихся.

  qplot (x = fpr, y = tpr, color = учащийся, data = df $ data, geom = "путь")  

Можно легко сгенерировать другие графики производительности, передав соответствующие показатели производительности в generateThreshVsPerfData () и plotROCCurves () .Ниже мы генерируем график точность / отзывчивость (точность = положительная прогностическая ценность = ppv, отзыв = tpr) и график чувствительности / специфичности (чувствительность = tpr, специфичность = tnr).

  df = generateThreshVsPerfData (список (lda = pred1, ksvm = pred2), sizes = list (ppv, tpr, tnr))

# График точности / отзыва
plotROCCurves (df, sizes = list (tpr, ppv), diagonal = FALSE)

# График чувствительности / специфичности
plotROCCurves (df, sizes = list (tnr, tpr), diagonal = FALSE)  

Пример 2: эталонный эксперимент

Анализ в приведенном выше примере можно немного улучшить.Вместо написания индивидуального кода для обучения / прогнозирования каждого учащегося, что может очень быстро стать утомительным, мы можем использовать функцию benchmark () (см. Также Benchmark Experiments), и, в идеале, машина опорных векторов должна быть настроена.

Мы снова рассматриваем набор данных Sonar ( mlbench :: Sonar () ) и применяем MASS :: lda () , а также kernlab :: ksvm () . Сначала мы создаем оболочку настройки ( makeTuneWrapper () ) для kernlab :: ksvm () .Параметр стоимости настраивается на (в демонстрационных целях небольшой) сетке параметров. Мы предполагаем, что заинтересованы в хорошей производительности во всем диапазоне пороговых значений и поэтому настраиваемся на AUC. Также сообщается частота ошибок (mmce) для порогового значения 0,5.

Ниже проводится реальный эталонный эксперимент. В качестве стратегии повторной выборки мы используем 5-кратную перекрестную проверку и снова вычисляем auc, а также частоту ошибок (для порогового / порогового значения 0,5).

  # Контрольный эксперимент
lrns = список (lrn1, lrn2)
rdesc.outer = makeResampleDesc ("CV", iters = 5)

bmr = benchmark (lrns, tasks = sonar.task, resampling = rdesc.outer, sizes = ms, show.info = FALSE)
БМР
## task.id Learner.id auc.test.mean mmce.test.mean
## 1 Пример сонара classif.lda 0,7950028 0,2547038
## 2 Пример сонара classif.ksvm.tuned 0,9243248 0,1632985  

Вызов generateThreshVsPerfData () и plotROCCurves () для результата теста ( BenchmarkResult () ) создает график с кривыми ROC для всех учащихся в эксперименте.

По умолчанию, generateThreshVsPerfData () вычисляет агрегированные характеристики в соответствии с выбранной стратегией повторной выборки (5-кратная перекрестная проверка) и схемой агрегирования ( test.mean ( агрегации () )) для каждого порога в последовательности. Таким образом, мы получаем усредненных по порогу кривых ROC .

Если вы хотите построить отдельные кривые ROC для каждой итерации повторной выборки, установите aggregate = FALSE .

То же самое относится к plotThreshVsPerf () .

Альтернативой усреднению является просто объединение 5 тестовых складок и построение единой кривой ROC. Слияние может быть достигнуто путем ручного изменения атрибута класса объектов прогнозирования с ResamplePrediction () на Prediction () .

Ниже предсказания извлекаются из BenchmarkResult () с помощью функции getBMRPredictions () , класс изменяется и создаются кривые ROC.

Обычно предпочтительны методы усреднения (см.Fawcett, 2006), поскольку они позволяют оценить изменчивость, которая необходима для правильного сравнения производительности классификатора.

Опять же, вы можете легко создать другие стандартные графики оценки, передав соответствующие показатели производительности в generateThreshVsPerfData () и plotROCCurves () .

Отрисовка графиков производительности с помощью пакета ROCR работает с помощью трех основных команд:

1. ROCR :: prediction () : создать объект прогноза ROCR .
2. ROCR :: performance () : вычислить один или несколько показателей производительности для данного объекта прогноза.
3. ROCR :: plot () : Создать график производительности.

mlr функция asROCRPrediction () преобразует объект mlr Prediction () в объект ROCR ( ROCR :: prediction-class () ), поэтому вы можете легко генерировать производительность графики, выполнив шаги 2 и 3.сами. Метод ROCR plot ( ROCR :: plot-methods () ) имеет некоторые приятные особенности, которые (пока) недоступны в plotROCCurves () , например, построение выпуклой оболочки кривых ROC. Ниже приведены некоторые примеры.

Пример 1: Единичные прогнозы (продолжение)

Вернемся к нашему первому примеру, где мы обучили и предсказали MASS :: lda () в задаче классификации сонара ( sonar.task () ).

  n = getTaskSize (сонар.задача)
train.set = sample (n, size = round (2/3 * n))
test.set = setdiff (seq_len (n), train.set)

# Обучение и прогнозирование линейного дискриминантного анализа
lrn1 = makeLearner ("classif.lda", expect.type = "prob")
mod1 = поезд (lrn1, sonar.task, subset = train.set)
pred1 = предсказать (mod1, task = sonar.task, subset = test.set)  

Ниже мы используем asROCRPrediction () для преобразования прогноза lda, пусть ROCR вычислит истинное и ложное срабатывание и построит кривую ROC.

  # Преобразовать прогноз
ROCRpred1 = asROCRPrediction (pred1)

# Рассчитать процент истинных и ложных срабатываний
ROCRperf1 = ROCR :: performance (ROCRpred1, "tpr", "fpr")

# Нарисуйте кривую ROC
ROCR :: сюжет (ROCRperf1)  

Ниже представлена ​​та же кривая ROC, но мы используем еще несколько графических параметров: Кривая ROC имеет цветовую кодировку в соответствии с порогом, а выбранные пороговые значения печатаются на кривой.Дополнительно рисуется выпуклая оболочка (черная пунктирная линия) кривой ROC.

  # Нарисовать кривую ROC
ROCR :: plot (ROCRperf1, colorize = TRUE, print.cutoffs.at = seq (0.1, 0.9, 0.1), lwd = 2)

# Нарисуйте выпуклую оболочку кривой ROC
ch = ROCR :: performance (ROCRpred1, "rch")
ROCR :: plot (ch, add = TRUE, lty = 2)  

Пример 2: Контрольные эксперименты (продолжение)

Мы снова рассматриваем проведенный ранее тестовый эксперимент. Сначала мы извлекаем прогнозы с помощью getBMRPredictions () , а затем преобразуем их с помощью функции asROCRPrediction () .

  # Извлечь прогнозы
preds = getBMRPredictions (bmr, drop = TRUE)

# Преобразование прогнозов
ROCRpreds = lapply (preds, asROCRPrediction)

# Рассчитать процент истинных и ложных срабатываний
ROCRperfs = lapply (ROCRpreds, function (x) ROCR :: performance (x, "tpr", "fpr"))  

Мы рисуем вертикально усредненные кривые ROC (сплошные линии), а также кривые ROC для отдельных итераций повторной выборки (пунктирные линии). Кроме того, для выбранных истинно положительных значений (0.1, 0,2,…, 0,9). См. Подробности в функции plot ( ROCR :: plot-methods () ) ROCR .

  # lda средняя кривая ROC
plot (ROCRperfs [[1]], col = "blue", avg = "vertical", spread.estimate = "stderror",
  show.spread.at = seq (0.1, 0.8, 0.1), plotCI.col = "синий", plotCI.lwd = 2, lwd = 2)
# lda отдельные кривые ROC
участок (ROCRperfs [[1]], col = "blue", lty = 2, lwd = 0,25, add = TRUE)

# ksvm средняя кривая ROC
plot (ROCRperfs [[2]], col = "red", avg = "vertical", spread.оценка = "stderror",
  show.spread.at = seq (0,1, 0,6, 0,1), plotCI.col = "красный", plotCI.lwd = 2, lwd = 2, add = TRUE)
# ksvm отдельные кривые ROC
сюжет (ROCRperfs [[2]], col = "red", lty = 2, lwd = 0,25, add = TRUE)

legend ("bottomright", legend = getBMRLearnerIds (bmr), lty = 1, lwd = 2, col = c ("синий", "красный"))  

Для создания других графиков оценки, таких как графики точности / отзыва , вам просто нужно изменить показатели производительности при вызове ROCR :: performance () .(Обратите внимание, что вы должны использовать меры, предусмотренные ROCR , перечисленные в ROCR :: performance () , а не показатели производительности mlr .)

  # Извлечь и преобразовать прогнозы
preds = getBMRPredictions (bmr, drop = TRUE)
ROCRpreds = lapply (preds, asROCRPrediction)

# Рассчитайте точность и отзыв
ROCRperfs = lapply (ROCRpreds, function (x) ROCR :: performance (x, "prec", "rec"))

# Рисуем график производительности
сюжет (ROCRperfs [[1]], col = "blue", avg = "threshold")
сюжет (ROCRperfs [[2]], col = "red", avg = "threshold", add = TRUE)
legend ("bottomleft", legend = getBMRLearnerIds (bmr), lty = 1, col = c ("синий", "красный"))  

Если вы хотите построить график зависимости показателя производительности от порога, укажите только один показатель при вызове ROCR :: performance () .Ниже отображается средняя точность по 5 итерациям перекрестной проверки в зависимости от порогового значения. Кроме того, строятся диаграммы для определенных пороговых значений (0,1, 0,2,…, 0,9).

  # Извлечь и преобразовать прогнозы
preds = getBMRPredictions (bmr, drop = TRUE)
ROCRpreds = lapply (preds, asROCRPrediction)

# Рассчитать точность
ROCRperfs = lapply (ROCRpreds, function (x) ROCR :: performance (x, "acc"))

# Точность графика в зависимости от порога
plot (ROCRperfs [[1]], avg = "vertical", spread.estimate = "boxplot", lwd = 2, col = "blue",
  показать.spread.at = seq (0,1, 0,9, 0,1), ylim = c (0,1), xlab = "Порог")  

mlr также поддерживает ViperCharts для построения ROC и других кривых производительности. Как и generateThreshVsPerfData () , он имеет методы S3 для объектов класса Prediction () , ResampleResult () и BenchmarkResult () . Ниже представлены графики для эталонного эксперимента (Пример 2).