필요한 모든 데이터는 OHLC에 있으며 나머지 데이터는 OHLC에서 파생됩니다. 가장 중요한 것은 OHLC를 더 많은 가중치를 가진 데이터로 변환하는 방법을 찾는 유연한 알고리즘입니다. 다시 말하지만 이것이 기계의 작업입니다. 또한 OHLC만 거의 모든 곳에서 동일합니다. 틱 볼륨이나 다른 것을 보면 이 모든 데이터가 스프레드 등 모든 곳에서 다릅니다. 필요한 모든 것이 터미널의 차트에 있습니다.
하지만 딥 러닝을 할 수 있는 능력이 있다면 아마 그렇게 될 것입니다... (나는 심지어 1차 및 2차 도함수의 도움으로 안개 속에 있는 것처럼 "직선"의 곡률을 찾는 방법을 기억했습니다. , 인용문 작성자에게 감사드립니다))
그리고 더 겸손하다면 기능 중요도에 대한 현재 순간으로 샘플을 구동할 수 있습니다 ... 수익률 곡선이 수평면으로 이동하기 시작하면 다시 학습합니다 ...
그러나 처음에 정말 의미 있는 표시(논리적! 회계 및 경제적)를 사용하면 기계가 현재 시장을 움직이는 것이 무엇인지 알아낼 것입니다(즉, 운전자가 현재 가장 많이 의존하는 것이 무엇인지)...
Mihail Marchukajtes 는 매우 흥미롭고 논리적인 접근 방식을 가지고 있으며 다항식에 대해 설명 해주셔서 감사합니다. 과거의 통계가 어떻게 작동하는지 알기 위해(아직 모델이 아님!!) 실제로 미래로 전송하기 위해 합리적으로 처리될 수 있습니다(물론 50/50의 확률로) - 그러면 모델을 비난할 것입니다. , 뉴런, 시장, 조건 ... 그런데 후자를 변경할 때 좋은 입력을 넣을 수 있습니다! - 구조에 관계없이 모든 생태계의 기능 계획은 항상 동일하기 때문에 조건 -> 반응 -> 결과 (심지어 환경적 결과 )
트레이더의 주요 기술은 시장에 진입하지 말아야 할 때를 아는 것입니다! .. IMHO
추신
발견된 현재 종속성과 상호 작용이 이미 모델에 쏟아질 것인지 여부 - 이것은 이미 더 글로벌한 질문입니다 ... 어떤 식으로든 NN과 관련이 없으며 오히려 저자의 두뇌 능력에 근접합니다. NN을 도구로 사용하는 샘플 연구(입력의 기초가 아님) 그리고 분석 및 결론에 대한 책임을 그에게 위임하지 않음
요점은 pom에서 찾은 종속성을 기반으로 생성된 모델에 있다는 것입니다. AI, - 그리고 모델에서 NN으로 갈 필요는 없지만 NN에서 모델로 - 특정 현재 조건에서 작동합니다 ... 물론 조건이 변경 될 수 있습니다 ...
나는 균형이 고전적인 부분 AS에 있고 케인즈주의적인 부분에 불균형이 있다고 생각했습니다. 케인즈에 따르면 - 나는 이미이 사실을 전 세계적으로 결정하는 국회가 더 이상 나에게 중요하지 않다는 것을 깨달았습니다 ...
(그리고 근사치는 AI 스킬, + 최적화 등의 1개에 불과합니다.),
하지만 딥 러닝을 할 수 있는 능력이 있다면 아마 그렇게 될 것입니다... (나는 심지어 1차 및 2차 도함수의 도움으로 안개 속에 있는 것처럼 "직선"의 곡률을 찾는 방법을 기억했습니다. , 인용문 작성자에게 감사드립니다))
그리고 더 겸손하다면 기능 중요도에 대한 현재 순간으로 샘플을 구동할 수 있습니다 ... 수익률 곡선이 수평면으로 이동하기 시작하면 다시 학습합니다 ...
그러나 처음에 정말 의미 있는 기호(논리적! 회계 및 경제적)를 사용한다면 기계는 현재 시장을 움직이는 것이 무엇인지 알아낼 것입니다(즉, 운전자가 가장 의존하는 것이 무엇인지)...
Mihail Marchukajtes 는 매우 흥미롭고 논리적인 접근 방식을 가지고 있으며 다항식에 대해 설명해주셔서 감사합니다. 과거의 통계가 어떻게 작동하는지 알기 위해(아직 모델이 아님!!) 실제로 미래로 전송하기 위해 합리적으로 처리될 수 있습니다(물론 50/50의 확률로) - 그러면 모델을 비난할 것입니다. , 뉴런, 시장, 조건 ... 그런데 후자를 변경할 때 좋은 입력을 넣을 수 있습니다! - 구조에 관계없이 모든 생태계의 기능 계획은 정확히 다음과 같기 때문입니다. 조건 -> 반응 -> 결과 (심지어 환경적 결과 )
트레이더의 주요 기술은 시장에 진입하지 말아야 할 때를 아는 것입니다! .. IMHO
추신
발견된 현재 종속성과 상호 작용이 이미 모델에 쏟아질 것인지 여부 - 이것은 이미 더 글로벌한 질문입니다 ... 어떤 식으로든 NN과 관련이 없으며 오히려 저자의 두뇌 능력에 근접합니다. 연구, NN을 도구로 사용하지만 분석 및 결론에 대한 모든 책임을 그에게 위임하지 않음
에코컴 # : TensorFlow 문서를 읽으십시오. 모든 것이 생성자 형식으로 되어 있습니다. 사실상. 사실, 이것들은 블랙박스입니다. 관심이 있으시면 손으로 작성한 퍼셉트론의 코드를 보여드릴 수 있습니다. 그런데 모든 것이 완전히 행렬 미적분학이고 모든 것이 그 위에 구축됩니다.
andre andre 481 1 1 gold badge 5 5 silver badges 8 8 bronze badges
stackoverflow.com
I am using python(3.6) anaconda (64 bit) spyder (3.1.2). I already set a neural network model using keras (2.0.6) for a regression problem(one response, 10 variables). I was wondering how can I generate feature importance chart like so:
Из статьи вы узнаете, как написать свою простую нейросеть на python с нуля, не используя никаких библиотек для нейросетей. Если у вас еще нет своей нейронной сети, вот всего лишь 9 строчек кода: Перед вами перевод поста How to build a simple neural network in 9 lines of Python code , автор — Мило Спенсер-Харпер . Ссылка на оригинал — в подвале...
논리로 ... 요소에 대한 기능의 종속성을 설명하는 공식의 부족을 해결해야 할 때 NN이 사용됩니다... 가중치가 사용되지만 동시에 - 전후 NN, 표준/클래식 스탯이 작동합니다. 처리 ... 예를 들어 PDF=F'(X)=dF(x)/dx만 있으면(인구 분석에 대한 모든 결론이 PDF에 따라 이루어지기 때문에 CDF가 필요하지 않은 것 같지만) 휘발성 데이터 -- 우선, 분포를 균일하게 가져와 함께 분석할 수 있도록 해야 합니다. 여기서 가중치는 도움이 됩니다(여기서 수학을 추구하지 않습니다) ... 그러나 분석 자체에는 NN에 대한 결론과 이에 대한 결론(ns) .. 비록 그러한 평가가 대략적일 수 있지만 고전적 통계도 불완전하지만(예를 들어, 증분의 로그를 사용하는 것 자체가 추세를 도입 결론 - 순전히 수학적 결함) ... 모든 모델에는 가정이 있습니다 ...
시장 참가자는 예측을 기다리지 않고 위험과 변동성 을 평가하고 이를 기반으로 거래(및 헤징) 결정을 내립니다... 이 분석에는 변동성과 시간 창의 2가지 변수가 있으며 NN은 다음을 수행하는 데 도움이 됩니다. 하나의 통계 내에서 공동 분석의 가능성을 위해 샘플을 균일하게 만듭니다(그러나 GARCH도 사용할 수 있음). 매트가없는 순간에 모델을 만들고 수평선을 결정하는 데 도움이됩니다. 공식, 그리고 그것은 필요하지 않습니다(이 세상의 모든 것은 변합니다) ... 그러나 칭량하고, 칭량하고, 다시 칭량함으로써(k-l 회귀로의 압축을 위해) - 그것을 하나의 통계 모델 내에서 공동 분석의 가능성으로 가져오기 위해, 그리고 바람직하게는 소음이 전혀 없거나 최소한 최소화된 상태에서 ...
가장 중요한 것은 신경망의 아키텍처를 구축하여 신경 레이어를 통과할 때 출력으로 가는 도중에 분산이 증가하지 않도록 하는 것입니다. IMHO(이미 누적된 경우 있는 그대로 사용 가능 - 수사학적 질문) ... 통계의 고전적 논리... 그리고 매우 깊은 역사에서도 견고한 순간(모든 것은 인생에서 발생합니다)에 대한 정성적 분석을 위한 샘플이 충분하지 않습니다... 아마도 , Mihail Marchukajtes 분류 모델에서 이상값이 발생할 수 있습니다... (이를 처리하는 순서에 대해 생각해야 합니까?)
논리로 ... 요소에 대한 기능의 종속성을 설명하는 공식이 없을 때 NN이 사용되는 경우 ... 가중치가 사용되지만 동시에 - 전후 NN, 표준/클래식 스탯이 작동합니다. 처리 ... 예를 들어 PDF=F'(X)=dF(x)/dx만 있으면(인구 분석에 대한 모든 결론이 PDF에 따라 이루어지기 때문에 CDF가 필요하지 않은 것 같지만) 휘발성 데이터 -- 우선, 분포를 균일하게 가져와 함께 분석할 수 있도록 해야 합니다. 여기서 가중치는 도움이 됩니다(여기서 수학을 추구하지 않습니다) ... 그러나 분석 자체에는 NN에 대한 결론과 이에 대한 결론(ns) .. 비록 그러한 평가가 대략적일 수 있지만 고전적 통계도 불완전하지만(예를 들어, 증분의 로그를 사용하는 것 자체가 추세를 도입 결론 - 순전히 수학적 결함) ... 모든 모델에는 가정이 있습니다 ...
시장 참가자는 예측을 기다리지 않고 위험과 변동성 을 평가하고 이를 기반으로 거래(및 헤징) 결정을 내립니다. 이 분석에는 변동성과 시간 창의 2가지 변수가 있으며 NN은 하나의 통계 내에서 공동 분석의 가능성을 위해 샘플을 균일하게 만듭니다(그러나 GARCH도 사용할 수 있음). 매트가없는 순간에 모델을 만들고 수평선을 결정하는 데 도움이됩니다. 공식, 그리고 그것은 필요하지 않습니다(이 세상의 모든 것은 변합니다) ... 그러나 칭량, 칭량 및 다시 칭량함으로써 - 하나의 통계 모델 내에서 공동 분석의 가능성을 이끌어내고 바람직하게는 노이즈가 전혀 없거나 적어도 그것과 함께 최소화...
가장 중요한 것은 출력으로가는 도중에 신경층이 통과하는 동안 분산이 증가하지 않도록 신경망의 아키텍처를 구축하는 것이라고 생각합니다 ... IMHO (이미 사용 가능한 경우 축적하는 이유 있는 그대로 - 수사학적 질문) ... 그리고 통계의 고전적인 논리... 그리고 매우 깊은 역사에서도 견고한 순간에 대한 정성적 분석을 위한 샘플이 충분하지 않습니다(모든 것은 인생에서 발생합니다)
..
네, 믿습니다, 믿습니다, 이미 진정하십시오)))
쓰레기. 신경망이 여기에서 실제로 지배하는 것처럼 보입니다. 적어도 내 두 사람은 그 수준에 있습니다 ...
집단농장 전체와 공장교대로 웃었습니다 (오, 다 모여요) :-)
신경망에서 실제로 작동하는 1년 이상 된 신호를 표시합니다.
일반적으로 빨간색 단어에 대해서만 "신경망, 딥 러닝" 및 기타 자움을 언급합니다. 그리고 고려할 때 - martingale, 자물쇠, 그리드 및 간단한 MA. 집에서 만든 현실 - 간단한 알고리즘과 진부한 razvodilovo 규칙
---
스레드를 아무리 봐도 결과가 보인다: 오직 아름다운(정말로 아주 좋은) 글과 저자의 개인적인 자기 계발
집단농장 전체와 공장교대로 웃었습니다 (오, 다 모여요) :-)
신경망에서 실제로 작동하는 1년 이상 된 신호를 표시합니다.
일반적으로 빨간색 단어에 대해서만 "신경망, 딥 러닝" 및 기타 자움을 언급합니다. 그리고 고려할 때 - martingale, 자물쇠, 그리드 및 간단한 MA. 집에서 만든 현실 - 간단한 알고리즘과 진부한 razvodilovo 규칙
---
스레드를 아무리 봐도 결과가 보인다: 오직 아름다운(정말로 아주 좋은) 글과 저자의 개인적인 자기 계발
나는 그것을 의미하지 않았다 ...
그리고 신경망에 대해 위에서 표준은 55-56이며 일반적으로 아무 것도 아니라고 썼습니다.
모델의 경우 요점은 모델에 있는 것이 아니라 AI가 본질적으로 근사치라는 사실에 있습니다.
요점은 pom에서 찾은 종속성을 기반으로 생성된 모델에 있다는 것입니다. AI, - 그리고 모델에서 NN으로 갈 필요는 없지만 NN에서 모델로 - 특정 현재 조건에서 작동합니다 ... 물론 조건이 변경 될 수 있습니다 ...
나는 균형이 고전적인 부분 AS에 있고 케인스주의적인 부분에 불균형이 있다고 생각했습니다. 케인스에 따르면 이 사실을 전 세계적으로 결정하는 국회가 더 이상 나에게 중요하지 않다는 것을 이미 깨달았습니다...
(그리고 근사치는 AI 스킬, + 최적화 등의 1개에 불과합니다.),
예브게니 일린 # :
필요한 모든 데이터는 OHLC에 있으며 나머지 데이터는 OHLC에서 파생됩니다. 가장 중요한 것은 OHLC를 더 많은 가중치를 가진 데이터로 변환하는 방법을 찾는 유연한 알고리즘입니다. 다시 말하지만 이것이 기계의 작업입니다. 또한 OHLC만 거의 모든 곳에서 동일합니다. 틱 볼륨이나 다른 것을 보면 이 모든 데이터가 스프레드 등 모든 곳에서 다릅니다. 필요한 모든 것이 터미널의 차트에 있습니다.
하지만 딥 러닝을 할 수 있는 능력이 있다면 아마 그렇게 될 것입니다... (나는 심지어 1차 및 2차 도함수의 도움으로 안개 속에 있는 것처럼 "직선"의 곡률을 찾는 방법을 기억했습니다. , 인용문 작성자에게 감사드립니다))
그리고 더 겸손하다면 기능 중요도에 대한 현재 순간으로 샘플을 구동할 수 있습니다 ... 수익률 곡선이 수평면으로 이동하기 시작하면 다시 학습합니다 ...
그러나 처음에 정말 의미 있는 표시(논리적! 회계 및 경제적)를 사용하면 기계가 현재 시장을 움직이는 것이 무엇인지 알아낼 것입니다(즉, 운전자가 현재 가장 많이 의존하는 것이 무엇인지)...
Mihail Marchukajtes 는 매우 흥미롭고 논리적인 접근 방식을 가지고 있으며 다항식에 대해 설명 해주셔서 감사합니다. 과거의 통계가 어떻게 작동하는지 알기 위해(아직 모델이 아님!!) 실제로 미래로 전송하기 위해 합리적으로 처리될 수 있습니다(물론 50/50의 확률로) - 그러면 모델을 비난할 것입니다. , 뉴런, 시장, 조건 ... 그런데 후자를 변경할 때 좋은 입력을 넣을 수 있습니다! - 구조에 관계없이 모든 생태계의 기능 계획은 항상 동일하기 때문에 조건 -> 반응 -> 결과 (심지어 환경적 결과 )
트레이더의 주요 기술은 시장에 진입하지 말아야 할 때를 아는 것입니다! .. IMHO
추신
발견된 현재 종속성과 상호 작용이 이미 모델에 쏟아질 것인지 여부 - 이것은 이미 더 글로벌한 질문입니다 ... 어떤 식으로든 NN과 관련이 없으며 오히려 저자의 두뇌 능력에 근접합니다. NN을 도구로 사용하는 샘플 연구(입력의 기초가 아님) 그리고 분석 및 결론에 대한 책임을 그에게 위임하지 않음
요점은 pom에서 찾은 종속성을 기반으로 생성된 모델에 있다는 것입니다. AI, - 그리고 모델에서 NN으로 갈 필요는 없지만 NN에서 모델로 - 특정 현재 조건에서 작동합니다 ... 물론 조건이 변경 될 수 있습니다 ...
나는 균형이 고전적인 부분 AS에 있고 케인즈주의적인 부분에 불균형이 있다고 생각했습니다. 케인즈에 따르면 - 나는 이미이 사실을 전 세계적으로 결정하는 국회가 더 이상 나에게 중요하지 않다는 것을 깨달았습니다 ...
(그리고 근사치는 AI 스킬, + 최적화 등의 1개에 불과합니다.),
하지만 딥 러닝을 할 수 있는 능력이 있다면 아마 그렇게 될 것입니다... (나는 심지어 1차 및 2차 도함수의 도움으로 안개 속에 있는 것처럼 "직선"의 곡률을 찾는 방법을 기억했습니다. , 인용문 작성자에게 감사드립니다))
그리고 더 겸손하다면 기능 중요도에 대한 현재 순간으로 샘플을 구동할 수 있습니다 ... 수익률 곡선이 수평면으로 이동하기 시작하면 다시 학습합니다 ...
그러나 처음에 정말 의미 있는 기호(논리적! 회계 및 경제적)를 사용한다면 기계는 현재 시장을 움직이는 것이 무엇인지 알아낼 것입니다(즉, 운전자가 가장 의존하는 것이 무엇인지)...
Mihail Marchukajtes 는 매우 흥미롭고 논리적인 접근 방식을 가지고 있으며 다항식에 대해 설명해주셔서 감사합니다. 과거의 통계가 어떻게 작동하는지 알기 위해(아직 모델이 아님!!) 실제로 미래로 전송하기 위해 합리적으로 처리될 수 있습니다(물론 50/50의 확률로) - 그러면 모델을 비난할 것입니다. , 뉴런, 시장, 조건 ... 그런데 후자를 변경할 때 좋은 입력을 넣을 수 있습니다! - 구조에 관계없이 모든 생태계의 기능 계획은 정확히 다음과 같기 때문입니다. 조건 -> 반응 -> 결과 (심지어 환경적 결과 )
트레이더의 주요 기술은 시장에 진입하지 말아야 할 때를 아는 것입니다! .. IMHO
추신
발견된 현재 종속성과 상호 작용이 이미 모델에 쏟아질 것인지 여부 - 이것은 이미 더 글로벌한 질문입니다 ... 어떤 식으로든 NN과 관련이 없으며 오히려 저자의 두뇌 능력에 근접합니다. 연구, NN을 도구로 사용하지만 분석 및 결론에 대한 모든 책임을 그에게 위임하지 않음
TensorFlow 문서를 읽으십시오. 모든 것이 생성자 형식으로 되어 있습니다. 사실상. 사실, 이것들은 블랙박스입니다. 관심이 있으시면 손으로 작성한 퍼셉트론의 코드를 보여드릴 수 있습니다. 그런데 모든 것이 완전히 행렬 미적분학이고 모든 것이 그 위에 구축됩니다.
그건 그렇고 tensorflow.keras (예: Evgeny Dyuka ) - 그런 다음
현재 Keras는 기능 중요도를 추출하는 기능을 제공하지 않습니다.
SKLearn이 더 재미있을 것 같습니다 - 머신러닝 결과 해석 ( 아주 좋은 라이브러리는 아니지만 평가 로직이 제공됩니다)
추신
너 안 넣었어...
그건 그렇고 tensorflow.keras (예: Evgeny Dyuka ) - 그런 다음
SKLearn이 더 재미있을 것 같습니다 - 머신러닝 결과 해석( 아주 좋은 라이브러리는 아니지만 평가 로직이 제공됩니다)
추신
너 안 넣었어...
어떤 종류의 야생으로 올라가고 있습니까? 훨씬 더 간단한 수준에서 NN을 예측하는(또는 예측하지 않는) 문제는 NN 자체와 아무 관련이 없습니다.
https://neurohive.io/en/tutorial/prostaja-nejronnaja-set-python/
이것은 간단한 퍼셉트론입니다))).
내 훈련 예제는 Jupiter에 있으며 조각을 복사하고 싶지 않지만 github을 사용하지 않습니다.
어떤 종류의 야생으로 올라가고 있습니까?
논리로 ... 요소에 대한 기능의 종속성을 설명하는 공식의 부족을 해결해야 할 때 NN이 사용됩니다... 가중치가 사용되지만 동시에 - 전후 NN, 표준/클래식 스탯이 작동합니다. 처리 ... 예를 들어 PDF=F'(X)=dF(x)/dx만 있으면(인구 분석에 대한 모든 결론이 PDF에 따라 이루어지기 때문에 CDF가 필요하지 않은 것 같지만) 휘발성 데이터 -- 우선, 분포를 균일하게 가져와 함께 분석할 수 있도록 해야 합니다. 여기서 가중치는 도움이 됩니다(여기서 수학을 추구하지 않습니다) ... 그러나 분석 자체에는 NN에 대한 결론과 이에 대한 결론(ns) .. 비록 그러한 평가가 대략적일 수 있지만 고전적 통계도 불완전하지만(예를 들어, 증분의 로그를 사용하는 것 자체가 추세를 도입 결론 - 순전히 수학적 결함) ... 모든 모델에는 가정이 있습니다 ...
시장 참가자는 예측을 기다리지 않고 위험과 변동성 을 평가하고 이를 기반으로 거래(및 헤징) 결정을 내립니다... 이 분석에는 변동성과 시간 창의 2가지 변수가 있으며 NN은 다음을 수행하는 데 도움이 됩니다. 하나의 통계 내에서 공동 분석의 가능성을 위해 샘플을 균일하게 만듭니다(그러나 GARCH도 사용할 수 있음). 매트가없는 순간에 모델을 만들고 수평선을 결정하는 데 도움이됩니다. 공식, 그리고 그것은 필요하지 않습니다(이 세상의 모든 것은 변합니다) ... 그러나 칭량하고, 칭량하고, 다시 칭량함으로써(k-l 회귀로의 압축을 위해) - 그것을 하나의 통계 모델 내에서 공동 분석의 가능성으로 가져오기 위해, 그리고 바람직하게는 소음이 전혀 없거나 최소한 최소화된 상태에서 ...
가우스에 대한 논리 베이지안 추론은 염두에 둘 가치가 있습니다 ...
가장 중요한 것은 신경망의 아키텍처를 구축하여 신경 레이어를 통과할 때 출력으로 가는 도중에 분산이 증가하지 않도록 하는 것입니다. IMHO(이미 누적된 경우 있는 그대로 사용 가능 - 수사학적 질문) ... 통계의 고전적 논리... 그리고 매우 깊은 역사에서도 견고한 순간(모든 것은 인생에서 발생합니다)에 대한 정성적 분석을 위한 샘플이 충분하지 않습니다... 아마도 , Mihail Marchukajtes 분류 모델에서 이상값이 발생할 수 있습니다... (이를 처리하는 순서에 대해 생각해야 합니까?)
지금까지 내 IMHO는 ... 수입 scipy.stats 를 통계로 볼 것입니다.
추신
링크 주셔서 감사합니다
논리로 ... 요소에 대한 기능의 종속성을 설명하는 공식이 없을 때 NN이 사용되는 경우 ... 가중치가 사용되지만 동시에 - 전후 NN, 표준/클래식 스탯이 작동합니다. 처리 ... 예를 들어 PDF=F'(X)=dF(x)/dx만 있으면(인구 분석에 대한 모든 결론이 PDF에 따라 이루어지기 때문에 CDF가 필요하지 않은 것 같지만) 휘발성 데이터 -- 우선, 분포를 균일하게 가져와 함께 분석할 수 있도록 해야 합니다. 여기서 가중치는 도움이 됩니다(여기서 수학을 추구하지 않습니다) ... 그러나 분석 자체에는 NN에 대한 결론과 이에 대한 결론(ns) .. 비록 그러한 평가가 대략적일 수 있지만 고전적 통계도 불완전하지만(예를 들어, 증분의 로그를 사용하는 것 자체가 추세를 도입 결론 - 순전히 수학적 결함) ... 모든 모델에는 가정이 있습니다 ...
시장 참가자는 예측을 기다리지 않고 위험과 변동성 을 평가하고 이를 기반으로 거래(및 헤징) 결정을 내립니다. 이 분석에는 변동성과 시간 창의 2가지 변수가 있으며 NN은 하나의 통계 내에서 공동 분석의 가능성을 위해 샘플을 균일하게 만듭니다(그러나 GARCH도 사용할 수 있음). 매트가없는 순간에 모델을 만들고 수평선을 결정하는 데 도움이됩니다. 공식, 그리고 그것은 필요하지 않습니다(이 세상의 모든 것은 변합니다) ... 그러나 칭량, 칭량 및 다시 칭량함으로써 - 하나의 통계 모델 내에서 공동 분석의 가능성을 이끌어내고 바람직하게는 노이즈가 전혀 없거나 적어도 그것과 함께 최소화...
가장 중요한 것은 출력으로가는 도중에 신경층이 통과하는 동안 분산이 증가하지 않도록 신경망의 아키텍처를 구축하는 것이라고 생각합니다 ... IMHO (이미 사용 가능한 경우 축적하는 이유 있는 그대로 - 수사학적 질문) ... 그리고 통계의 고전적인 논리... 그리고 매우 깊은 역사에서도 견고한 순간에 대한 정성적 분석을 위한 샘플이 충분하지 않습니다(모든 것은 인생에서 발생합니다)
지금까지 내 IMHO는 ... 수입 scipy.stats를 통계로 볼 것입니다.
추신
링크 주셔서 감사합니다