Catboost에는 더 많은 설정이 있습니다. XGBoost 아이디어 개발의 연속입니다. 동시에 주요 플러스와 마이너스는 수가 많지 않은 경우 재교육을 방지하는 고정 차원 트리입니다.
....
순전히 기술적인 질문입니다. 3개의 예측 변수(x1, x2, x3)가 있다고 가정해 보겠습니다. 우리는 또한 x1-x2, x1-x3, x2-x3도 예측 변수이며 조건을 생성한다는 것을 알고 있습니다. 내가 나무에 대해 잘 알고 있는 한 이러한 추가 예측 변수도 모델에 제공되어야 합니다.
그러나 상황은 다소 악화됩니다. 예측 변수는 일부 a11*x1-b2*x2, a12*x1-a3*x2 등으로 방정식 시스템과 같은 것을 생성합니다. 물론 확률은 모릅니다. 예측 변수의 더 복잡한 조합도 가능하며 이는 단지 예일 뿐입니다.
NN은 그러한 것들(예측자의 선형 조합, 심지어 비선형 조합)에 대처하고 나는 정교할 필요가 없으며 우리는 귀찮게하지 않고 x1, x2 및 x3만 입력에 공급합니다.
이러한 경우 나무는 어떻게 해야 합니까? 나는 이것에 대해 명확한 것을 찾지 못했습니다. 아니면 나무가 스스로를 돌볼 것인가?
순전히 기술적인 질문입니다. x1, x2, x3의 3개의 예측 변수가 있다고 가정해 보겠습니다. 또한 x1-x2, x1-x3, x2-x3도 예측 변수라는 것을 알고 있습니다. 내가 나무에 대해 잘 알고 있는 한 이러한 추가 예측 변수도 모델에 제공되어야 합니다.
그러나 상황은 다소 더 나쁩니다. 예측 변수는 a11*x1-b2*x2, a12*x1-a3*x2 등입니다. 물론 확률은 모릅니다. 예측 변수의 더 복잡한 조합도 가능하며 이는 예일 뿐입니다.
NN은 그러한 것들(예측자의 선형 조합)에 대처하고 나는 정교할 필요가 없으며 우리는 귀찮게하지 않고 x1, x2 및 x3만 입력에 공급합니다.
이러한 경우 나무는 어떻게 해야 합니까? 나는 이것에 대해 명확한 것을 찾지 못했습니다. 아니면 나무가 스스로를 돌볼 것인가?
이론적으로 트리는 함수를 설명할 수 있지만 계수(x)가 있는 섹션으로 판명됩니다. 변경하면 함수 자체를 저장하면 트리가 더 이상 효과적이지 않습니다. 상수. 이것은 내 생각이며 어쩌면 내가 틀릴 수도 있습니다. 이러한 작업의 경우 NN을 사용 하고 함수 인수 의 변경에 따라 해석 논리를 변경하지 않는 함수에 대한 일종의 기성 응답을 트리에 제공하는 것이 좋습니다. 따라서 트리에 제한된 인수 집합을 제공하는 것이 좋습니다.
이 x만 변경하면 모델을 다시 학습시켜야 합니다.
일반적으로 함수 인수가 학습 샘플로 표시되는 알려진 범위에 있으면 트리가 작업을 수행해야 합니다. 그러나 이것은 분류가 아니라 회귀의 작업입니다.
이론적으로 트리는 함수를 설명할 수 있지만 계수(x)가 있는 섹션으로 판명됩니다. 변경하면 함수 자체를 저장하면 트리가 더 이상 효과적이지 않습니다. 상수. 이것은 내 생각이며 어쩌면 내가 틀릴 수도 있습니다. 이러한 작업의 경우 NN을 사용 하고 함수 인수 의 변경에 따라 해석 논리를 변경하지 않는 함수에 대한 일종의 기성 응답을 트리에 제공하는 것이 좋습니다. 따라서 트리에 제한된 인수 집합을 제공하는 것이 좋습니다.
이 x만 변경하면 모델을 다시 학습시켜야 합니다.
저는 국회와 협력하고 있습니다. 트리의 매력적인 점은 if...then....과 같은 논리를 생성한다는 것입니다. 일반적으로 필요한 것입니다. 출력은 yes/no 결정이어야 합니다. 그러나 그러한 논리가 있어도 이 모든 것을 입력으로 제공하더라도 나무는 더 이상 대처할 수 없을 것 같습니다.
저는 국회와 협력하고 있습니다. 트리의 매력적인 점은 if...then....과 같은 논리를 생성한다는 것입니다. 일반적으로 필요한 것입니다. 출력은 yes/no 결정이어야 합니다. 그러나 우리가 이 모든 것을 입력으로 제공하더라도 나무는 더 이상 그러한 논리에 대처할 수 없는 것 같습니다.
물론, 그것은 대처할 것입니다. 신경망은 뉴런으로 인해 공식을 얻고 트리는 계산 결과의 해석 만 얻습니다. 예를 들어 어린이 그림에서 집과 같이 기능으로 설명하기 어려운 기본 요소를 그리면 신경망이 매우 오랫동안 떼를 지어 나무가이 개체의 좌표를 빠르게 결정하고 단순히 벡터로 바꾸십시오. 하지만 축척을 바꾸면 나무가 더 이상 이 집을 결정할 수 없게 되지만, 그 생각에 따라 국회가 결정해야 한다.
boosting에 대한 강의는 같은 강사와 함께 더 최신이었습니다(catboost가 옵션으로 있는 python에서) - 아무것도 찾을 수 없습니다
Catboost에는 더 많은 설정이 있습니다. XGBoost 아이디어 개발의 연속입니다. 동시에 주요 플러스와 마이너스는 수가 많지 않은 경우 재교육을 방지하는 고정 차원 트리입니다.
....
순전히 기술적인 질문입니다. 3개의 예측 변수(x1, x2, x3)가 있다고 가정해 보겠습니다. 우리는 또한 x1-x2, x1-x3, x2-x3도 예측 변수이며 조건을 생성한다는 것을 알고 있습니다. 내가 나무에 대해 잘 알고 있는 한 이러한 추가 예측 변수도 모델에 제공되어야 합니다.
그러나 상황은 다소 악화됩니다. 예측 변수는 일부 a11*x1-b2*x2, a12*x1-a3*x2 등으로 방정식 시스템과 같은 것을 생성합니다. 물론 확률은 모릅니다. 예측 변수의 더 복잡한 조합도 가능하며 이는 단지 예일 뿐입니다.
NN은 그러한 것들(예측자의 선형 조합, 심지어 비선형 조합)에 대처하고 나는 정교할 필요가 없으며 우리는 귀찮게하지 않고 x1, x2 및 x3만 입력에 공급합니다.
이러한 경우 나무는 어떻게 해야 합니까? 나는 이것에 대해 명확한 것을 찾지 못했습니다. 아니면 나무가 스스로를 돌볼 것인가?
CatBoost 의 마스터 클래스 - 링크를 사용하여 파이썬에서 작업하기 위한 비디오 코드를 다운로드할 수 있습니다.
순전히 기술적인 질문입니다. x1, x2, x3의 3개의 예측 변수가 있다고 가정해 보겠습니다. 또한 x1-x2, x1-x3, x2-x3도 예측 변수라는 것을 알고 있습니다. 내가 나무에 대해 잘 알고 있는 한 이러한 추가 예측 변수도 모델에 제공되어야 합니다.
그러나 상황은 다소 더 나쁩니다. 예측 변수는 a11*x1-b2*x2, a12*x1-a3*x2 등입니다. 물론 확률은 모릅니다. 예측 변수의 더 복잡한 조합도 가능하며 이는 예일 뿐입니다.
NN은 그러한 것들(예측자의 선형 조합)에 대처하고 나는 정교할 필요가 없으며 우리는 귀찮게하지 않고 x1, x2 및 x3만 입력에 공급합니다.
이러한 경우 나무는 어떻게 해야 합니까? 나는 이것에 대해 명확한 것을 찾지 못했습니다. 아니면 나무가 스스로를 돌볼 것인가?
이론적으로 트리는 함수를 설명할 수 있지만 계수(x)가 있는 섹션으로 판명됩니다. 변경하면 함수 자체를 저장하면 트리가 더 이상 효과적이지 않습니다. 상수. 이것은 내 생각이며 어쩌면 내가 틀릴 수도 있습니다. 이러한 작업의 경우 NN을 사용 하고 함수 인수 의 변경에 따라 해석 논리를 변경하지 않는 함수에 대한 일종의 기성 응답을 트리에 제공하는 것이 좋습니다. 따라서 트리에 제한된 인수 집합을 제공하는 것이 좋습니다.
이 x만 변경하면 모델을 다시 학습시켜야 합니다.
일반적으로 함수 인수가 학습 샘플로 표시되는 알려진 범위에 있으면 트리가 작업을 수행해야 합니다. 그러나 이것은 분류가 아니라 회귀의 작업입니다.이론적으로 트리는 함수를 설명할 수 있지만 계수(x)가 있는 섹션으로 판명됩니다. 변경하면 함수 자체를 저장하면 트리가 더 이상 효과적이지 않습니다. 상수. 이것은 내 생각이며 어쩌면 내가 틀릴 수도 있습니다. 이러한 작업의 경우 NN을 사용 하고 함수 인수 의 변경에 따라 해석 논리를 변경하지 않는 함수에 대한 일종의 기성 응답을 트리에 제공하는 것이 좋습니다. 따라서 트리에 제한된 인수 집합을 제공하는 것이 좋습니다.
이 x만 변경하면 모델을 다시 학습시켜야 합니다.
저는 국회와 협력하고 있습니다. 트리의 매력적인 점은 if...then....과 같은 논리를 생성한다는 것입니다. 일반적으로 필요한 것입니다. 출력은 yes/no 결정이어야 합니다. 그러나 그러한 논리가 있어도 이 모든 것을 입력으로 제공하더라도 나무는 더 이상 대처할 수 없을 것 같습니다.
저는 국회와 협력하고 있습니다. 트리의 매력적인 점은 if...then....과 같은 논리를 생성한다는 것입니다. 일반적으로 필요한 것입니다. 출력은 yes/no 결정이어야 합니다. 그러나 우리가 이 모든 것을 입력으로 제공하더라도 나무는 더 이상 그러한 논리에 대처할 수 없는 것 같습니다.
제출 및 확인 - 샘플 제작 및 확인이 필요합니다.
제출 및 확인 - 샘플 제작 및 확인이 필요합니다.
아니, 나쁜 예입니다. 이 처리됩니다.)
아니, 나쁜 예입니다. 그들이 처리할 것입니다.)
물론, 그것은 대처할 것입니다. 신경망은 뉴런으로 인해 공식을 얻고 트리는 계산 결과의 해석 만 얻습니다. 예를 들어 어린이 그림에서 집과 같이 기능으로 설명하기 어려운 기본 요소를 그리면 신경망이 매우 오랫동안 떼를 지어 나무가이 개체의 좌표를 빠르게 결정하고 단순히 벡터로 바꾸십시오. 하지만 축척을 바꾸면 나무가 더 이상 이 집을 결정할 수 없게 되지만, 그 생각에 따라 국회가 결정해야 한다.
CatBoost의 마스터 클래스 - 링크를 사용하여 파이썬에서 작업하기 위한 비디오 코드를 다운로드할 수 있습니다.
좋은, 잘 씹
좋은, 잘 씹
예, 특히 Python에서 즉시 실행하는 경우 기본 설정이 잘 제공됩니다. 그러나 이것은 나에게 충분하지 않습니다.