대부분의 경우 1과 -1(또는 이를 설명하는 예측 변수)의 지연은 "입력하지 않음"이므로 컷 0을 개선(또는 이미 개선)할 것입니다. 나 자신에게 이 접근 방식은 즉시 무시되고 바이너리만 사용하기 시작했습니다. 분류(반전). 다양한 변동성, 영향력, 아니오 등에 대한 귀하의 의존도를 살펴보겠습니다. 그리고 저는 세 개의 이진 분류기를 만들 것입니다. 예를 들어 1개의 "구매"만 팔로우할 수 있습니다. 너무 춥다...
나는 잠시 동안 추세 시스템을 가지고 있으므로 플랫 동안 당신은 울타리에 있어야 하고 단지 뒤집기만 해서는 안 되기 때문에 바이너리 시스템을 바로 사용할 수는 없습니다. 이론상으로는 매수/매도/매도를 따로 사용하는 것이 가능하지만 큰 샘플이 필요한데 이것도 좋지 않은데 여기 캣부스트에 진입 신호가 있고 벡터(매수/매도)가 있습니다. )는 별도로 선택됩니다. 작동하는 것처럼 보이지만 실험은 여전히 진행 중이므로 확실히 말하기에는 너무 이릅니다. 물론 3개의 바이너리를 만들 수도 있지만, 이 사업을 하나의 디자인으로 합친다는 점에서 역시 나오기도 쉽지 않죠...
물론 변동성은 결과에 영향을 미치며, 급등에 따라 수익을 올릴 수 있습니다. 문제는 규모입니다.
알려진 것과 알려지지 않은 것을 희생시키면서 그렇게 생각하면 사건이 어떻게 전개될지 또한 알지 못합니다. 여기서 당신이나 다른 사람의 결정은 / 무언가가 본질적으로 확률적입니다. 즉, 우리는 다음과 같이 가정해야 합니다. 내린 결정은 50 대 50의 결과를 가집니다. 이 경우 누가 그것을 훔쳐갈지, 당신이나 신경망이 중요하지 않습니다.
소에 따라 예측 변수의 가중치가 변경됩니까? 세련된 핏이 돋보인다. 그리고 고양이에는 다중 클래스도 있습니다. 교차 검증으로 실행하고 접기 등으로 오류를 확인하십시오. 어쩌면 바보가 태워 줄 것입니다 ... 모든 시도는 실제로 필요하지 않습니다 ...
가중치와 변동성을 어떻게 측정할 것을 제안합니까? 나는 실험을 반대하지 않습니다.
거기에 다중 클래스가 있지만 이진 코드를 제외하고는 모델을 언로드하지 않습니다. 이론상 연결하고 작동하게 만드는 방법도 모릅니다.
catboost에 대한 전체 사가가 있습니다. 루트 예측자(200개)를 선택하기 위한 임의의 가중치를 사용하여 예측자 세트(부분적으로 제거 - 512개 조합)로 실험합니다. 이것은 이미 100k 모델이며 두 가지 분류가 있습니다. 예, 이 모든 것에는 흥미로운 모델이 있고 완전히 고갈되는 모델이 있습니다(테스트 및 교육 샘플에서는 수익성이 있지만 독립적인 샘플에서는 고갈되거나 거의 0에 가까움). 그러나 계속 작동할 것이라는 보장도 없습니다. 이제(2018년 12월 22일) 새 모델에서 모델을 만들기 시작했지만 처음에는 내 아이디어에 따라 모든 예측 변수를 범주형으로 표시했습니다(많은 예측 변수가 이미 고르지 않은 간격으로 절단되어 정수 값으로 변환되었기 때문입니다. ), 새해 계획에 따라 처리가 종료됩니다. 비 범주 기능이있는 모델이 1.5 일 만에 그러한 볼륨으로 준비되었고 여기에서 최소 10 ...
피팅 여부 - 말하기 어렵습니다. 어제 저는 볼륨(잎 수) 측면에서 많은 옵션과 조합을 한 번에 기억할 수 있는 모델을 피팅하는 것을 고려하는 경향이 있다고 썼습니다. 100개 이상의 잎 ... 물론, 저에게 주요 문제는 데이터 부족입니다. 저는 Si 도구에서 작업하므로 유로 루블에 대한 선물을 추가하려고 생각하고 있지만 예측 변수를 유효하게 변환해야 합니다. 미터법 문제.
주석, 수동으로하는 모든 작업은 신경망에서 수행해야합니다. 그렇지 않으면 .... 시간 낭비입니다. 그 후 결과가 음수이면 실망의 바다와 다른 방법을 찾아 던집니다.
글쎄, 수동에서와 같이 모든 것이 자동화되고 수동 제어가 필요한 단계가 있으며 이는 지금까지의 불확실성, 즉 해당 단계에서 정확히 어떻게 행동해야 하는지 때문입니다.
그리고 누군가가 무언가를 빚지고 있다는 사실, 나는 그것을 매우 의심합니다 ...
글쎄, 결과-미래가 올 때까지 누가 알겠습니까?
대부분의 경우 1과 -1(또는 이를 설명하는 예측 변수)의 지연은 "입력하지 않음"이므로 컷 0을 개선(또는 이미 개선)할 것입니다.
나 자신에게 이 접근 방식은 즉시 무시되고 바이너리만 사용하기 시작했습니다.
분류(반전). 다양한 변동성, 영향력, 아니오 등에 대한 귀하의 의존도를 살펴보겠습니다.
그리고 저는 세 개의 이진 분류기를 만들 것입니다. 예를 들어 1개의 "구매"만 팔로우할 수 있습니다. 너무 춥다...
나는 잠시 동안 추세 시스템을 가지고 있으므로 플랫 동안 당신은 울타리에 있어야 하고 단지 뒤집기만 해서는 안 되기 때문에 바이너리 시스템을 바로 사용할 수는 없습니다. 이론상으로는 매수/매도/매도를 따로 사용하는 것이 가능하지만 큰 샘플이 필요한데 이것도 좋지 않은데 여기 캣부스트에 진입 신호가 있고 벡터(매수/매도)가 있습니다. )는 별도로 선택됩니다. 작동하는 것처럼 보이지만 실험은 여전히 진행 중이므로 확실히 말하기에는 너무 이릅니다. 물론 3개의 바이너리를 만들 수도 있지만, 이 사업을 하나의 디자인으로 합친다는 점에서 역시 나오기도 쉽지 않죠...
물론 변동성은 결과에 영향을 미치며, 급등에 따라 수익을 올릴 수 있습니다. 문제는 규모입니다.이해, 연구, 결론은 역 신호에 적용됩니다.
결과가 아니라 예측 변수의 배열(선택)에 영향을 미치는 방식 ...
이해하는 척 하지 않겠습니다. 생각을 넓혀주세요.
아니요.
오랫동안 나는 주기 적응의 관점에서 실생활에서 µl4에서 수정된 JMA를 사용했지만 거의 쓸모가 없습니다. 다른 모든 것과 마찬가지로 썩어가는 것입니다. 주기적으로 펜을 개입해야했습니다.
필터에 관한 것이라면 호기심 많은 부드러운 패키지가 있습니다. 내부 스무딩은 상태 공간이 있는 Kalman을 앉힙니다. 매우 고품질의 자동차를 제공하고 외삽(예측)으로 몇 단계 앞서 있습니다.
Dzhurik은 전체 쓰레기입니다.
무엇이 헛소리이고 무엇이 아닌지 알 수 없습니다.
우리는 특정 목표 변수에 대한 특정 예측자의 예측력을 살펴볼 필요가 있습니다. 그리고 창이 움직일 때 이 예측 능력의 변동성을 관찰하는 것이 좋습니다.
글쎄, 수동에서와 같이 모든 것이 자동화되고 수동 제어가 필요한 단계가 있으며 이는 지금까지의 불확실성, 즉 해당 단계에서 정확히 어떻게 행동해야 하는지 때문입니다.
그리고 누군가가 무언가를 빚지고 있다는 사실, 나는 그것을 매우 의심합니다 ...
글쎄, 결과-미래가 올 때까지 누가 알겠습니까?
위의 코드를 기반으로 특정 조건에서 명확한 작업 알고리즘이 있습니다. 이 경우 입력 데이터와 원하는 결과가 있을 때 신경망이 도움이 되므로 항상 수동으로 코드를 변경해야 합니다. 시장 동향의 다음 변화 .
행동하는 방법은 당신에게 달려 있지만, 나는 여전히 신경망(훈련된)을 이 프로세스에 연결합니다.
소에 따라 예측 변수의 가중치가 변경됩니까? 세련된 핏이 돋보인다.
그리고 고양이에는 다중 클래스도 있습니다. 교차 검증으로 실행하고 접기 등으로 오류를 확인하십시오.
어쩌면 바보가 태워 줄 것입니다 ... 모든 시도는 실제로 필요하지 않습니다 ...
가중치와 변동성을 어떻게 측정할 것을 제안합니까? 나는 실험을 반대하지 않습니다.
거기에 다중 클래스가 있지만 이진 코드를 제외하고는 모델을 언로드하지 않습니다. 이론상 연결하고 작동하게 만드는 방법도 모릅니다.
catboost에 대한 전체 사가가 있습니다. 루트 예측자(200개)를 선택하기 위한 임의의 가중치를 사용하여 예측자 세트(부분적으로 제거 - 512개 조합)로 실험합니다. 이것은 이미 100k 모델이며 두 가지 분류가 있습니다. 예, 이 모든 것에는 흥미로운 모델이 있고 완전히 고갈되는 모델이 있습니다(테스트 및 교육 샘플에서는 수익성이 있지만 독립적인 샘플에서는 고갈되거나 거의 0에 가까움). 그러나 계속 작동할 것이라는 보장도 없습니다. 이제(2018년 12월 22일) 새 모델에서 모델을 만들기 시작했지만 처음에는 내 아이디어에 따라 모든 예측 변수를 범주형으로 표시했습니다(많은 예측 변수가 이미 고르지 않은 간격으로 절단되어 정수 값으로 변환되었기 때문입니다. ), 새해 계획에 따라 처리가 종료됩니다. 비 범주 기능이있는 모델이 1.5 일 만에 그러한 볼륨으로 준비되었고 여기에서 최소 10 ...
피팅 여부 - 말하기 어렵습니다. 어제 저는 볼륨(잎 수) 측면에서 많은 옵션과 조합을 한 번에 기억할 수 있는 모델을 피팅하는 것을 고려하는 경향이 있다고 썼습니다. 100개 이상의 잎 ... 물론, 저에게 주요 문제는 데이터 부족입니다. 저는 Si 도구에서 작업하므로 유로 루블에 대한 선물을 추가하려고 생각하고 있지만 예측 변수를 유효하게 변환해야 합니다. 미터법 문제.
위의 코드를 기반으로 특정 조건에서 명확한 작업 알고리즘이 있습니다. 이 경우 입력 데이터와 원하는 결과가 있을 때 신경망이 도움이 되므로 항상 수동으로 코드를 변경해야 합니다. 시장 동향의 다음 변화 .
행동하는 방법은 당신에게 달려 있지만, 나는 여전히 신경망(훈련된)을 이 프로세스에 연결합니다.
나는 진입점이 있고, 들어갈지 말지 - 나는 모른다 - 이것이 MO의 임무이다.
이미 말했듯이 나는 입력 뉴런의 큰(300-500) 볼륨을 흡수할 수 있는 빠른 신경망을 모릅니다... 하지만 이미 선택된 잎을 신경망이나 트리에 다시 줄 수 있다고 가정해 봅시다. ...
나는 코드를 변경하는 것에 대해 이해하지 못했습니다. 왜 그럴까요? 트렌드가 5년 동안 변경되지 않았다고 생각합니까?아무 것도 제공하지 않지만 내가 직접 한 것처럼 썼습니다. 그리고 받은 세 개의 클래스는 단순히 차량에 실릴 것입니다 ...
어떻게 넣었어요? 그런 다음 파이썬이나 R 사이에 일종의 다리를 만들어야 합니다. 저에게 그것은 어두운 숲입니다.