그래서 당신의 방법이 나보다 나은 이유 - 나뭇잎 수집은 사실 기존 데이터를 기반으로 얻은 새로운 예측 변수입니다. 비교를 사용하여 트리를 구축할 뿐 아니라 대상 레벨을 변환 및 결합하기만 하면 됩니다. 일반적으로 일반 트리를 기반으로 이를 구현하고 거기에서 나뭇잎을 드래그할 수 있습니다.
내 방법을 사용하면 무작위로 생성하지 않고 의미 있게 생성할 수 있습니다. 말하자면 더 많은 수확량을 생성하지만 일반 트리를 기반으로 합니다.
일반적으로 하나의 예측 변수를 다른 예측 변수와 비교, 곱셈, 나눗셈, 덧셈, 뺄셈 및 기타 작업과 같이 훈련 중에 트리 알고리즘에 여러 변환 절차를 추가할 수 있다는 사실에 대해 이야기하고 있습니다. 결론은 트리의 유전적 구성 동안 변이가 무작위가 아니라 샘플에 대한 설명을 제공하여 선택되어 솔루션 검색 기간이 단축된다는 것입니다. 샘플에서 임의의 예측 변수를 던지면 이러한 변환을 고려하여 다른 트리를 만들 수 있습니다.
내 방법을 사용하면 무작위로 생성하지 않고 의미 있게 생성할 수 있습니다. 말하자면 더 많은 수확량을 생성하지만 일반 트리를 기반으로 합니다.
일반적으로 하나의 예측자를 다른 예측자와 비교, 곱셈, 나눗셈, 덧셈, 뺄셈 및 기타 작업과 같이 훈련 중에 트리 알고리즘에 여러 변환 절차를 추가할 수 있다는 사실에 대해 이야기하고 있습니다. 결론은 트리의 유전적 구성 동안 변이가 무작위가 아니라 샘플에 대한 설명을 제공하여 선택되어 솔루션 검색 기간이 단축된다는 것입니다. 샘플에서 임의의 예측 변수를 던지면 이러한 변환을 고려하여 다른 트리를 만들 수 있습니다.
이것이 기능이 생성되는 방법입니다. 기본 규칙의 형태로 생성자를 준비해야 합니다.
예를 들어 채널에서 가격이 한 번 동작하는 방식을 설명한 다음 채널을 변경하는 등의 방식으로 진행합니다.
나는 이것이 규칙의 일부라는 것을 이해합니다. 그렇다면 예, 구현될 수 있습니다.
클러스터링하는 동안 많은 행이 서로 다른 영역에 분산되었고 지도가 형성되었으며 다음을 통해 호출할 수 있습니다.
그리고 이미 각 라인의 무게를 더하여 클러스터의 하나 또는 다른 중심으로 분류합니다. 나는 한 줄의 가중치가 어떻게 수행되는지 이해하지 못합니다 ...
이 지도는 프로토타입 또는 클러스터 센터라고 하며, 새 데이터는 각 센터와의 근접성에 대해 비교되고 가장 가까운 센터로 레이블이 지정됩니다.
각 기능에 대해 내장된 도움말이 있으므로 콘솔에 "?" "?Kmeans"와 같은 함수 이름
항상 아래에 예가 있습니다
https://stackoverflow.com/questions/53352409/creation-prediction-function-for-kmean-in-r 을 예측하는 방법
나는 상당한 시장 반전을 보기로 결정했습니다. 목표로 중요한 반전. 혼돈일줄 알았는데 아니네..
반전을 유의미한 것으로 분류하는 규칙은 무엇입니까?
지그재그 무릎
글쎄요, 정말 흥미롭습니다. 조언 해주셔서 감사합니다
인형용 코드를 공유할 수 있나요? 제가 응급실에 합류할 수 있을까요?
Vladimir가 코드를 게시했습니다. 기본을 배우게 될 수도 있고, 그렇지 않으면 즉시 그러한 것들에 들어가게 될 것입니다. 많은 질문이 있을 것입니다. 그러나 의미가 거의 없습니다. 예를 들어 독립형 책의 예를 들어보세요
덕분에 클러스터링을 언로드할 수 있었습니다.
.
그래서 당신의 방법이 나보다 나은 이유 - 나뭇잎 수집은 사실 기존 데이터를 기반으로 얻은 새로운 예측 변수입니다. 비교를 사용하여 트리를 구축할 뿐 아니라 대상 레벨을 변환 및 결합하기만 하면 됩니다. 일반적으로 일반 트리를 기반으로 이를 구현하고 거기에서 나뭇잎을 드래그할 수 있습니다.
당신의 방법이 내가 Maxim에 쓴 것과 같은 규칙을 생성할 수 있다면 아무 것도
당신의 방법이 내가 Maxim에 쓴 것과 같은 규칙을 생성할 수 있다면 아무 것도
내 방법을 사용하면 무작위로 생성하지 않고 의미 있게 생성할 수 있습니다. 말하자면 더 많은 수확량을 생성하지만 일반 트리를 기반으로 합니다.
일반적으로 하나의 예측 변수를 다른 예측 변수와 비교, 곱셈, 나눗셈, 덧셈, 뺄셈 및 기타 작업과 같이 훈련 중에 트리 알고리즘에 여러 변환 절차를 추가할 수 있다는 사실에 대해 이야기하고 있습니다. 결론은 트리의 유전적 구성 동안 변이가 무작위가 아니라 샘플에 대한 설명을 제공하여 선택되어 솔루션 검색 기간이 단축된다는 것입니다. 샘플에서 임의의 예측 변수를 던지면 이러한 변환을 고려하여 다른 트리를 만들 수 있습니다.
증분, ma 빼기, 슬라이딩 윈도우와 같이 입력을 정규화하는 가장 좋은 방법에 대한 연구를 어디서 본 적이 없습니까?
"정규화"는 무엇을 의미합니까? 변수의 분포를 가능한 한 정상에 가깝게 만듭니까?
내 방법을 사용하면 무작위로 생성하지 않고 의미 있게 생성할 수 있습니다. 말하자면 더 많은 수확량을 생성하지만 일반 트리를 기반으로 합니다.
일반적으로 하나의 예측자를 다른 예측자와 비교, 곱셈, 나눗셈, 덧셈, 뺄셈 및 기타 작업과 같이 훈련 중에 트리 알고리즘에 여러 변환 절차를 추가할 수 있다는 사실에 대해 이야기하고 있습니다. 결론은 트리의 유전적 구성 동안 변이가 무작위가 아니라 샘플에 대한 설명을 제공하여 선택되어 솔루션 검색 기간이 단축된다는 것입니다. 샘플에서 임의의 예측 변수를 던지면 이러한 변환을 고려하여 다른 트리를 만들 수 있습니다.
내가 예제로 준 규칙을 읽고 트리에 이런 종류의 규칙 생성기를 포함시키십시오.
"정규화"는 무엇을 의미합니까? 변수의 분포를 가능한 한 정상에 가깝게 만듭니까?
변수의 범위를 +-1로 캐스팅
개인적인 대화에서
당신의 선택
일반 버전
값이 완전히 다른 것을 볼 수 있으므로 직접 확인할 수 있습니다.
나는 모델에
n_components = 1열이 하나뿐이므로 실제로는 중요하지 않습니다.
====================UPD
젠장, umap_tranform 실행할 때마다 다르며 동일해서는 안됩니다.
내가 예제로 준 규칙을 읽고 트리에 이런 종류의 규칙 생성기를 포함시키십시오.
그리고 문제는 무엇입니까? 규칙이 추가될 시작 부분에 구성 요소를 만드십시오.
그리고 문제는 무엇입니까? 규칙이 추가될 시작 부분에 구성 요소를 만드십시오.
지옥은 알아, 내 생각을 모을 수 없어