예를 들어 작업은 사진에서 고양이와 개를 구별하는 것입니다. 선택할 수 있는 올바른 교육 옵션은 무엇입니까? 1. 고양이와 강아지 사진만 보여주세요. 이진 분류. 2. 고양이와 "고양이가 아닌"(protos chaos) + 개와 "개가 아닌"도 별도로 표시하는 개별적으로 스래시, 즉. 2개의 훈련 주기와 2개의 출력 모델. 3. 고양이, 개, 혼돈의 세 가지 분류를 만드십시오. 저것들. 하나의 모델이 있지만 대답은 세 가지 옵션의 분류입니다.
이제 첫 번째 옵션이 있으며 분명히 비뚤어졌습니다. 문제는 신경이 옵션 중 하나만 잘 배우고 조건부로 "고양이"만 잘보고 개를 잘 인식하지 못한다는 것입니다. 예를 들어, 백테스트에서 모델은 가격 움직임을 잘 결정하고 하락 움직임을 무시합니다. 추측이 67%에 도달하면 동일한 모델이 55%만 추측합니다. 모델마다 "위"와 "아래" 위치를 변경할 수 있습니다.
예를 들어 작업은 사진에서 고양이와 개를 구별하는 것입니다. 선택할 수 있는 올바른 교육 옵션은 무엇입니까? 1. 고양이와 강아지 사진만 보여주세요. 이진 분류. 2. 고양이와 "고양이가 아닌"(protos chaos) + 개와 "개가 아닌"도 별도로 표시하는 개별적으로 스래시, 즉. 2개의 훈련 주기와 2개의 출력 모델. 3. 고양이, 개, 혼돈의 세 가지 분류를 만드십시오. 저것들. 하나의 모델이 있지만 대답은 세 가지 옵션의 분류입니다.
이제 첫 번째 옵션이 있으며 분명히 비뚤어졌습니다. 문제는 신경이 옵션 중 하나만 잘 배우고 조건부로 "고양이"만 잘보고 개를 잘 인식하지 못한다는 것입니다. 예를 들어, 백테스트에서 모델은 가격 움직임을 잘 결정하고 하락 움직임을 무시합니다. 추측이 67%에 도달하면 동일한 모델이 55%만 추측합니다. 모델마다 "위"와 "아래" 위치를 변경할 수 있습니다.
여기서 문제는 분류 옵션에 있는 것이 아니라 훈련을 위한 예제의 불균형, 예제의 수나 특성 속성의 불균형에 있습니다.
예를 들어 작업은 사진에서 고양이와 개를 구별하는 것입니다. 선택할 수 있는 올바른 교육 옵션은 무엇입니까? 1. 고양이와 강아지 사진만 보여주세요. 이진 분류. 2. 고양이와 "고양이가 아닌"(protos chaos) + 개와 "개가 아닌"도 별도로 표시하는 개별적으로 스래시, 즉. 2개의 훈련 주기와 2개의 출력 모델. 3. 고양이, 개, 혼돈의 세 가지 분류를 만드십시오. 저것들. 하나의 모델이 있지만 대답은 세 가지 옵션의 분류입니다.
이제 첫 번째 옵션이 있으며 분명히 비뚤어졌습니다. 문제는 신경이 옵션 중 하나만 잘 배우고 조건부로 "고양이"만 잘보고 개를 잘 인식하지 못한다는 것입니다. 예를 들어, 백테스트에서 모델은 가격 움직임을 잘 결정하고 하락 움직임을 무시합니다. 추측이 67%에 도달하면 동일한 모델이 55%만 추측합니다. 모델마다 "위"와 "아래" 위치를 변경할 수 있습니다.
두 개의 점 세트가 있습니다. 이 점의 이름이 기억나지 않습니다. 모든 사진 인식은 눈, 코, 입, 귀, 뺨 영역의 점과 그 사이의 거리와 위치를 정의하는 것입니다. 모든 것이 간단합니다. 따라서 고양이를 보여주기만 하면 이것이 아닙니다. 먼저 고양이에서 고양이를, 개에서 개를 인식하도록 가르친 다음 구별하는 방법을 가르쳐야 합니다.
여기서 문제는 분류 옵션에 있는 것이 아니라 훈련을 위한 예제의 불균형, 예제의 수나 특성 속성의 불균형에 있습니다.
컨볼루션 네트워크?
아니요, 컨볼루션이 아니라 실제 사진을 보여주지 않습니다.)) 훈련 예제의 불균형이 그 이유가 될 수 있지만 활성화 함수에서는 이것이 까다로울 수 있다고 생각합니다. 답은 잘못된 구멍에 속하지만 이러한 구멍이 많이 있습니다. 시각화를 위해 TensorBoard를 마스터해야 하는데 이건 너무 엉망입니다... 요컨대 지식이 충분하지 않습니다.
예브게니 듀카 : 아니요, 컨볼루션이 아니라 실제 사진을 보여주지 않습니다.)) 훈련 예제의 불균형이 그 이유가 될 수 있지만 활성화 함수 에서는 이것이 까다로울 수 있다고 생각합니다. 답은 잘못된 구멍에 속하지만 이러한 구멍이 많이 있습니다. 시각화를 위해 TensorBoard를 마스터해야 하는데 이건 너무 엉망입니다... 요컨대 지식이 충분하지 않습니다.
문제는 데이터 준비 계획이 스스로 소진된 것 같고, 정답의 65-66% 이상을 짜낼 수 없지만 더 많이 뽑아야 한다는 것입니다. 이 벽을 부술 방법을 찾고 있습니다.
당신의 목표는 무엇입니까?
당신의 목표는 무엇입니까?
65% 정답은 좋은 지표의 수준이며, 이것은 현재 뉴로가 보여주고 있는 것입니다. 70% 이상부터 포지션 오픈을 시도할 수 있습니다.
이해는 하지만 대상은 무엇입니까? 당신은 네트워크를 어떻게 예측합니까? 반전? 경향? 추세가 추세라고 설명한 것이라면?
이해는 하지만 대상은 무엇입니까? 당신은 네트워크를 어떻게 예측합니까? 반전? 경향? 추세가 추세라고 설명한 것이라면?
예를 들어 작업은 사진에서 고양이와 개를 구별하는 것입니다. 선택할 수 있는 올바른 교육 옵션은 무엇입니까?
1. 고양이와 강아지 사진만 보여주세요. 이진 분류.
2. 고양이와 "고양이가 아닌"(protos chaos) + 개와 "개가 아닌"도 별도로 표시하는 개별적으로 스래시, 즉. 2개의 훈련 주기와 2개의 출력 모델.
3. 고양이, 개, 혼돈의 세 가지 분류를 만드십시오. 저것들. 하나의 모델이 있지만 대답은 세 가지 옵션의 분류입니다.
이제 첫 번째 옵션이 있으며 분명히 비뚤어졌습니다. 문제는 신경이 옵션 중 하나만 잘 배우고 조건부로 "고양이"만 잘보고 개를 잘 인식하지 못한다는 것입니다. 예를 들어, 백테스트에서 모델은 가격 움직임을 잘 결정하고 하락 움직임을 무시합니다. 추측이 67%에 도달하면 동일한 모델이 55%만 추측합니다. 모델마다 "위"와 "아래" 위치를 변경할 수 있습니다.
이해는 하지만 대상은 무엇입니까? 당신은 네트워크를 어떻게 예측합니까? 반전? 경향? 추세가 추세라고 설명한 것이라면?
그건 그렇고, 아마도 전문가들이 당신에게 말할 것입니다. 질문:
예를 들어 작업은 사진에서 고양이와 개를 구별하는 것입니다. 선택할 수 있는 올바른 교육 옵션은 무엇입니까?
1. 고양이와 강아지 사진만 보여주세요. 이진 분류.
2. 고양이와 "고양이가 아닌"(protos chaos) + 개와 "개가 아닌"도 별도로 표시하는 개별적으로 스래시, 즉. 2개의 훈련 주기와 2개의 출력 모델.
3. 고양이, 개, 혼돈의 세 가지 분류를 만드십시오. 저것들. 하나의 모델이 있지만 대답은 세 가지 옵션의 분류입니다.
이제 첫 번째 옵션이 있으며 분명히 비뚤어졌습니다. 문제는 신경이 옵션 중 하나만 잘 배우고 조건부로 "고양이"만 잘보고 개를 잘 인식하지 못한다는 것입니다. 예를 들어, 백테스트에서 모델은 가격 움직임을 잘 결정하고 하락 움직임을 무시합니다. 추측이 67%에 도달하면 동일한 모델이 55%만 추측합니다. 모델마다 "위"와 "아래" 위치를 변경할 수 있습니다.
여기서 문제는 분류 옵션에 있는 것이 아니라 훈련을 위한 예제의 불균형, 예제의 수나 특성 속성의 불균형에 있습니다.
컨볼루션 네트워크?
그건 그렇고, 아마도 전문가들이 당신에게 말할 것입니다. 질문:
예를 들어 작업은 사진에서 고양이와 개를 구별하는 것입니다. 선택할 수 있는 올바른 교육 옵션은 무엇입니까?
1. 고양이와 강아지 사진만 보여주세요. 이진 분류.
2. 고양이와 "고양이가 아닌"(protos chaos) + 개와 "개가 아닌"도 별도로 표시하는 개별적으로 스래시, 즉. 2개의 훈련 주기와 2개의 출력 모델.
3. 고양이, 개, 혼돈의 세 가지 분류를 만드십시오. 저것들. 하나의 모델이 있지만 대답은 세 가지 옵션의 분류입니다.
이제 첫 번째 옵션이 있으며 분명히 비뚤어졌습니다. 문제는 신경이 옵션 중 하나만 잘 배우고 조건부로 "고양이"만 잘보고 개를 잘 인식하지 못한다는 것입니다. 예를 들어, 백테스트에서 모델은 가격 움직임을 잘 결정하고 하락 움직임을 무시합니다. 추측이 67%에 도달하면 동일한 모델이 55%만 추측합니다. 모델마다 "위"와 "아래" 위치를 변경할 수 있습니다.
두 개의 점 세트가 있습니다. 이 점의 이름이 기억나지 않습니다. 모든 사진 인식은 눈, 코, 입, 귀, 뺨 영역의 점과 그 사이의 거리와 위치를 정의하는 것입니다. 모든 것이 간단합니다. 따라서 고양이를 보여주기만 하면 이것이 아닙니다. 먼저 고양이에서 고양이를, 개에서 개를 인식하도록 가르친 다음 구별하는 방법을 가르쳐야 합니다.
그리고 예, 2 사이클뿐만 아니라 2 개 이상의 클래스가있는 경우 교육에서 더 많이
여기서 문제는 분류 옵션에 있는 것이 아니라 훈련을 위한 예제의 불균형, 예제의 수나 특성 속성의 불균형에 있습니다.
컨볼루션 네트워크?
훈련 예제의 불균형이 그 이유가 될 수 있지만 활성화 함수에서는 이것이 까다로울 수 있다고 생각합니다. 답은 잘못된 구멍에 속하지만 이러한 구멍이 많이 있습니다. 시각화를 위해 TensorBoard를 마스터해야 하는데 이건 너무 엉망입니다...
요컨대 지식이 충분하지 않습니다.
아니요, 컨볼루션이 아니라 실제 사진을 보여주지 않습니다.))
훈련 예제의 불균형이 그 이유가 될 수 있지만 활성화 함수 에서는 이것이 까다로울 수 있다고 생각합니다. 답은 잘못된 구멍에 속하지만 이러한 구멍이 많이 있습니다. 시각화를 위해 TensorBoard를 마스터해야 하는데 이건 너무 엉망입니다...
요컨대 지식이 충분하지 않습니다.