엔트로피는 오랫동안 손실 함수 또는 교차 엔트로피로 어디에서나 사용되어 왔습니다. 게다가, 이 모든 것은 부동 법칙과 연속적으로 중요하지 않습니다. 만약 그렇다면 그것은 이차적으로 중요합니다. 해결책은 표면에 있으며 옵션 중 하나는 이미 이 스레드에서 제안되었으며 흔들리는 방향으로 작동합니다. 아직 자세하게 말씀드리지는 못하지만 언젠가는 글을 쓰겠습니다. Z.Y. 아마도 표면에 흥분했을 것입니다. 그러나 적어도 저에게는 😀
나도 기대어 ( 또한 당신의 작업 덕분에) xgboost 와 같은 것에. 그러나 정규화와 일반적으로 기능에 대한 예비 연구 작업은 결코 문제가 되지 않습니다. 또한 맞춤형 목적 함수(목적 함수)를 구축하기 위한 유연한 접근 방식이 필요합니다.
LightGBM 또는 CatBoost 추천, XGBoost 뒤처짐
사실, 어떤 전처리라도 알파를 죽인다는 것이 밝혀졌습니다. 이것은 증분을 취하고 건조를 시작하는 경우입니다. 원본 시리즈(따옴표)를 사용하는 것이 가장 좋지만 비정상성으로 인해 훈련이 불가능합니다. 이것은 부분 차별화(시장 기억 증가)에 대한 기사에서 분명히 볼 수 있습니다. 더 많은 변형이 적용될수록 더 적게 남습니다.
메트릭에 대한 도움말, 나는 나 자신을 모른다 https://russianblogs.com/article/7586220986/
기능이 단위 큐브에 고르게 분포되어 있으면 Chebyshovskaya가 직관적으로 가장 정확한 메트릭으로 보입니다. 또 다른 것은 임의의 기능을 그렇게 잘 정규화하는 것이 가능할 것 같지 않다는 것입니다.
기능이 단위 큐브에 고르게 분포되어 있으면 Chebyshovskaya가 직관적으로 가장 정확한 메트릭으로 보입니다. 또 다른 것은 임의의 기능을 그렇게 잘 정규화하는 것이 가능할 것 같지 않다는 것입니다.
나는 정규화를 실험했고, 모델에서 상당한 손실을 얻었고, 그것 없이는 더 좋습니다. 따라서 신경망이 아닌 나무의 숲.
나는 정규화를 실험했고, 모델에서 상당한 손실을 얻었고, 그것 없이는 더 좋습니다. 따라서 신경망이 아닌 나무의 숲.
나도 기대어 ( 또한 당신의 작업 덕분에) xgboost 와 같은 것에. 그러나 정규화와 일반적으로 기능에 대한 예비 연구 작업은 결코 문제가 되지 않습니다. 또한 맞춤형 목적 함수(목적 함수)를 구축하기 위한 유연한 접근 방식이 필요합니다.
따라서 신경망이 아닌 나무의 숲.
예, 몇 년 전에 이 스레드의 누군가가 그러한 아이디어를 썼습니다. 그는 비계를 제공하고 신경망을 핵무기와 비교했습니다. 그는 다른 방법으로는 아무것도 줄 수 없는 경우에만 사용해야 한다고 말했습니다. 그러나 어떤 종류의 Maxim이 그에게 똥을 던졌습니다.
흥미롭네요... 그래서 그가 옳았습니까?
나도 기대어 ( 또한 당신의 작업 덕분에) xgboost 와 같은 것에. 그러나 정규화와 일반적으로 기능에 대한 예비 연구 작업은 결코 문제가 되지 않습니다. 또한 맞춤형 목적 함수(목적 함수)를 구축하기 위한 유연한 접근 방식이 필요합니다.
LightGBM 또는 CatBoost 추천, XGBoost 뒤처짐
사실, 어떤 전처리라도 알파를 죽인다는 것이 밝혀졌습니다. 이것은 증분을 취하고 건조를 시작하는 경우입니다. 원본 시리즈(따옴표)를 사용하는 것이 가장 좋지만 비정상성으로 인해 훈련이 불가능합니다. 이것은 부분 차별화(시장 기억 증가)에 대한 기사에서 분명히 볼 수 있습니다. 더 많은 변형이 적용될수록 더 적게 남습니다.
예, 몇 년 전에 이 스레드의 누군가가 그러한 아이디어를 썼습니다. 그는 비계를 제공하고 신경망을 핵무기와 비교했습니다. 그는 다른 방법으로는 아무것도 줄 수 없는 경우에만 사용해야 한다고 말했습니다. 그러나 일부 Maxim은 그에게 똥을 던졌습니다.
흥미롭네요... 그래서 그가 옳았습니까?
몇 가지 증거를 제시하는 것이 좋습니다, 당신은 그것이 무엇에 관한 것인지 전혀 모릅니다
비슷한 결론 - 나무 만. 최대값이 업데이트되고 모든 것이 바뀔 때 특히 재미있습니다. 물론 최대값을 수동 또는 자동으로 설정할 수 있지만(각 기능에 대해) 이것은 목발입니다.
그래, 누가 뭐라고 해도 넌센스야