Корректный способ стандартизировать/масштабировать/нормализовать несколько переменных после распределения закона о питании для использования в линейной комбинации
Нет, Spring Integration использует собственную абстракцию org.springframework.messaging.Message<?>. Вам не нужно взаимодействовать с ним напрямую, просто используйте обогащающий заголовок.
См. JmsHeaders и AmqpHeaders для констант.
<header-enricher id="headerEnricherWithShouldSkipNullsFalse" input-channel="fromJms" output-channel="toRabbit">
<header name="amqp_correlationId" expression="headers.jms_correlationId"/>
...
</header-enricher>
Для приоритета AMQP используется стандартное значение IntegrationMessageHeaderAccessor.PRIORITY.
Также см. DefaultAmqpHeaderMapper и DefaultJmsHeaderMapper, чтобы увидеть, как адаптеры отображаются из Message<?> в / из сообщений RabbitMQ и JMS.
3 ответа
У Вас, кажется, есть строгий смысл базовых дистрибутивов. Естественное перемасштабирование должно заменить каждую варьируемую величину своей вероятностью. Или, если Ваша модель является неполной, выберите преобразование, которое приблизительно достигает этого. При сбое этого вот связанный подход: Если у Вас есть много одномерных данных, из которых можно создать гистограмму (каждой варьируемой величины), Вы могли преобразовать каждого в 10 масштабов точки на основе того, является ли это в 0-10%-й процентили или %-процентили 10-20... 90-100%-я процентиль. Эти преобразованные варьируемые величины имеют, конструкцией, равномерным распределением на 1,2..., 10, и можно объединить их однако, Вы желаете.
Вы могли перевести каждого в процент и затем применить каждого к известному qunantity. Затем используйте сумму нового значения.
((1 - (in_degee / 15) * 2000) + ((1 - (betweenness_centrality / 35000) * 2000) =?
нормализация к [0,1] была бы моей короткой рекомендацией ответа объединить 2 значения, поскольку она поддержит форму распределения, как Вы упомянули и должны решить проблему объединения значений.
если распределение этих 2 переменных будет отличаться, который звучит вероятным, то это действительно не даст Вам, что я думаю Ваш после, который является объединенной мерой того, где каждая переменная в рамках ее данного распределения. необходимо было бы придумать метрику, которая определяет, где в данном распределении значение находится, это могло быть сделано много путей, один из которых должен будет определить, сколько стандартные отклонения далеко от среднего данное значение, Вы могли затем объединить эти 2 значения в некотором роде для получения индекса. (дополнение больше не может быть достаточным),
необходимо было бы разработать то, что имеет большую часть смысла для наборов данных взгляд на. стандартные отклонения могут быть бессмысленными для Вашего приложения, но необходимо посмотреть на статистические меры, которые имели отношение к распределению, и объедините их, вместо того, чтобы расчесать абсолютные значения, нормализованные или нет.