도서관 : 고맙습니다. 나는 Precision을 사용하여 클래스의 Accuracy라고 명명했습니다. 이제 일반적으로 허용되는 조건을 부를 것입니다.) 그러나 일반적으로 정밀도는 "대기" 클래스가 있는 경우 주요 메트릭으로 간주될 수 있습니다. 정밀도 오류는 오분류로 인한 직접적인 손실입니다. 그리고 리콜은 손실된 이익을 의미합니다. 우리는 연기하는 대신 기다렸다. 결과적으로 최소한의 예측 오차와 최소한의 손실 이익으로 최상의 값을 찾는 F1을 최대화해야 합니다.
부스팅에 대한 교육( CatBoost )에 대해 이야기하면 일반적으로 Precision이 매우 빠르게 상승하지만 Recall은 천천히 증가하고 Recall이 성장하는 동안 Precision은 떨어집니다. 예를 들어 경계 80 <Precision> 60 및 Recall> 50을 설정하고 이 경계 내에서 훈련을 중지하려고 하는 등 훈련할 때 두 개의 지표를 별도로 제어하는 것이 좋습니다. F1과 같은 다른 계수 지표를 사용하여 이 작업을 수행하는 것이 더 어렵습니다. 개발자들이 그러한 기회를 제공하지 않은 것이 유감이며 아직 완성 된 모델의 나무 가지 치기를 이해하지 못했습니다.
샘플을 10개의 섹션으로 나누고 각 섹션에 대해 10개의 모델을 훈련하고, 각 섹션에서 모델의 동작을 보고 평균 재훈련 지표에 따라 모델 트리를 트리밍한 다음 어떻게든 모든 모델을 가져오는 아이디어도 있습니다. 함께. 따라서 모델의 과적합이 지워지고 추세에 대한 안정적인 정보가 있는 데이터만 사용됩니다.
샘플을 10개의 섹션으로 나누고 각 섹션에 대해 10개의 모델을 훈련하고, 각 섹션에서 모델의 동작을 보고 평균 재훈련 지표에 따라 모델 트리를 트리밍한 다음 어떻게든 모든 모델을 가져오는 아이디어도 있습니다. 함께. 따라서 모델의 과적합이 지워지고 추세에 대한 안정적인 정보가 있는 데이터만 사용됩니다.
나도 비슷한 생각이 있었지만 지금까지는 다른 생각으로 바빴습니다. 나는 이것을 곧 실험하기를 바랍니다. 또한 모델이 10개의 더 작은 데이터 영역에서 학습한다는 단점도 있습니다. 이 경우 일반화 능력이 떨어질 것 같습니다.
이것은 생각할 생각이 아니라 읽을 생각입니다!!
텍스트 분류 - 무엇을, 어떻게 수행하는지, 어떤 알고리즘에 의해 수행되는지 이해하기 위해
감정 분석 - "긍정/부정" 음성 인식
이것은 이미 5-10 년 동안 기성품 패키지로 구현되었습니다. 가져 가십시오. 사용하십시오. 여기에서 바퀴를 발명하고 재발명 할 필요가 없습니다.
예, 나는 독서에 대한 아이디어에 동의합니다.
예, 음성 분류 알고리즘이 있습니다.
모든 것을 하나로 묶는 방법에 대해 생각하기 위함이었습니다.
기성품 패키지를 알고 있다면 그 이름을 알려주십시오.
예, 나는 독서에 대한 아이디어에 동의합니다.
예, 음성 분류 알고리즘이 있습니다.
모든 것을 하나로 묶는 방법에 대해 생각하기 위함이었습니다.
기성품 패키지를 알고 있다면 그 이름을 알려주십시오.
수백 가지가 있습니다. 무엇을 알려드릴까요? 당신은 시작을 위해 당신의 작업을 공식화
텍스트 마이닝
감정 분석
수백 가지가 있습니다. 무엇을 알려드릴까요? 당신은 시작을 위해 당신의 작업을 공식화
텍스트 마이닝
감정 분석
글쎄, 적어도 무엇을 구축하고 무엇을 찾아야 하는지의 이름. 덕분에.
그런데 여기에 평소와 같은 종류로 구축된 인디케이터가 있는데, 어드바이저에게 전달되면 한 바씩 시프트가 일어나 완전한 오퍼레이션이 된다. 할 수 있다면 감사하겠습니다.
그리고 마지막 소절의 소절이 열리지 않을 때 어떻게 OI가 진행되고 있습니까? 그렇다면 이동은 논리적입니다.
고맙습니다. 나는 Precision을 사용하여 클래스의 Accuracy라고 명명했습니다. 이제 일반적으로 허용되는 조건을 부를 것입니다.)
그러나 일반적으로 정밀도는 "대기" 클래스가 있는 경우 주요 메트릭으로 간주될 수 있습니다. 정밀도 오류는 오분류로 인한 직접적인 손실입니다.
그리고 리콜은 손실된 이익을 의미합니다. 우리는 연기하는 대신 기다렸다.
결과적으로 최소한의 예측 오차와 최소한의 손실 이익으로 최상의 값을 찾는 F1을 최대화해야 합니다.
부스팅에 대한 교육( CatBoost )에 대해 이야기하면 일반적으로 Precision이 매우 빠르게 상승하지만 Recall은 천천히 증가하고 Recall이 성장하는 동안 Precision은 떨어집니다. 예를 들어 경계 80 <Precision> 60 및 Recall> 50을 설정하고 이 경계 내에서 훈련을 중지하려고 하는 등 훈련할 때 두 개의 지표를 별도로 제어하는 것이 좋습니다. F1과 같은 다른 계수 지표를 사용하여 이 작업을 수행하는 것이 더 어렵습니다. 개발자들이 그러한 기회를 제공하지 않은 것이 유감이며 아직 완성 된 모델의 나무 가지 치기를 이해하지 못했습니다.
샘플을 10개의 섹션으로 나누고 각 섹션에 대해 10개의 모델을 훈련하고, 각 섹션에서 모델의 동작을 보고 평균 재훈련 지표에 따라 모델 트리를 트리밍한 다음 어떻게든 모든 모델을 가져오는 아이디어도 있습니다. 함께. 따라서 모델의 과적합이 지워지고 추세에 대한 안정적인 정보가 있는 데이터만 사용됩니다.
그리고 마지막 소절의 소절이 열리지 않을 때 어떻게 OI가 진행되고 있습니까? 그렇다면 이동은 논리적입니다.
아니요, 매 틱마다 기록됩니다.
차트에 올바르게 구축된 경우 Expert Advisor의 지표에서 데이터를 요청하는 방법이 명확하지 않습니다. 전략 테스터의 비주얼 모드에서 지표의 구성을 확인 했습니까?
샘플을 10개의 섹션으로 나누고 각 섹션에 대해 10개의 모델을 훈련하고, 각 섹션에서 모델의 동작을 보고 평균 재훈련 지표에 따라 모델 트리를 트리밍한 다음 어떻게든 모든 모델을 가져오는 아이디어도 있습니다. 함께. 따라서 모델의 과적합이 지워지고 추세에 대한 안정적인 정보가 있는 데이터만 사용됩니다.
나도 비슷한 생각이 있었지만 지금까지는 다른 생각으로 바빴습니다. 나는 이것을 곧 실험하기를 바랍니다.
또한 모델이 10개의 더 작은 데이터 영역에서 학습한다는 단점도 있습니다. 이 경우 일반화 능력이 떨어질 것 같습니다.
차트에 올바르게 구축된 경우 Expert Advisor의 지표에서 데이터를 요청하는 방법이 명확하지 않습니다. 전략 테스터의 비주얼 모드에서 지표의 구성을 확인 했습니까?
글쎄, 적어도 무엇을 구축하고 무엇을 찾아야 하는지의 이름. 덕분에.
이것은 이름이 아니라 필요한 모든 것에 대한 링크이며 준비되어 있습니다.