章节出错了,点此刷新,刷新后小编会在两分钟内校正章节内容,请稍后再试。
今天和宁见面了，这哥们线上认识一年多了，今天他从国内回来了，我才有机会见到。老师说他很阳光，果不其然很健谈，遇到这种哥们就聊得很开心，BJ人，见多识广，而且在这边读了四五年书了也知道哪里风景好，便宜又散心。非常nice。
给我介绍了俩风景点，今天去了一个，果然他妈的一去之下心情巨好，地势开阔，旁边就是海，对岸就是城市。看着熟悉的建筑物就在眼前，就会感觉自己的烦恼也被留在了彼岸。我这边有个团体，把每年的夏令营活动起名叫daysaway，我看是非常到位的。daysawayfromwhatwefamiliarwithandsufferfrom.熟悉的和烦恼的都被我们远远地丢开，去一个陌生的地方过一些相对原始简单的生活，才会重新意识到，原来我是个人。不是机器。
宁还给我介绍了个兼职路子，虽然时间比较紧，但是日后忙得过来了的话，那还是可以稍微挣点钱的嘛。哪怕一周就一次也好。宁的事情就说这么多吧，他还跟我聊了下他对国际形势的看法，这些都不适合在这说了。
——————————————
回家已经四点了，和J开始聊他的家事，他家破事太多，不方便多说。一直聊了3个小时，到七点终于开始工作了。今天算是有进步，他总算能听进去点东西了。
开始工作
——————————————
我发现实验二的结果其实没问题，因为不同的function确实会带来或大或小甚至没有的分类误差。因此，为了进一步确定，我增加训练样本量，看看在某些不容易被区分两个分类函数，是不是分类误差就会升高的更厉害。
结果证明确实如此！
训练样本变多之后，就会更加强的拟合到当前分类函数，以至于刚才看起来差别不大的漂移也带来了巨大的分类误差下降。这就是为什么实验二明明我们的方法比他们的强，但实验三中，样本变多，baseline的效果就变得很强。
但为什么我们的方法在实验3中又不强了呢？难道是residual不靠谱？
在那之前，我先把实验2重做一下。
现在在生成实验2的数据，然后准备好实验2的代码，一会直接开跑就行。
好，代码已经准备完毕。下面就等数据生成完了。
现在回顾实验3的问题
1.为什么此时baseline很强。答，因为样本量大的情况下，errorrate的变化就是会很剧烈。所以他们能够很好的鉴别漂移。
2.为什么此时我们的方法不够强。即，为什么此时residual不能够提供很好的判别依据。这个事情需要debug，查看同分布情况下residual的变化、不同分布下residual的变化。特别是在errorratebased方法真的能鉴别漂移的时候，它们的residual到底怎么变了？这个事情比较麻烦，我需要在py文件下debug，然后把数据报错到analysis文件夹下，同时在这个文件夹下面开一个ipynb文件，立刻对residual进行可视化。特别是那种明明已经被检测出来有飘逸的情况，那此时到底residual在干嘛？以及没有drift的情况下，residual到底在干嘛。
好的，实验二已经步入正轨，我一会就开始实验3checkresidual，但在那之前，让我先打一把LOL喘口气。今天说了太多话，回来就写代码，巨累无比。
打了一把，网太卡还tm输了，淦。
现在分析下residual的事情。我突然觉得同分类器下对比，我们可能已经是最好的了。。
看了下图。。。我发现可能我们需要手动划分parition方式。。