기차와 테스트 모두에서 80%의 확률로 무언가를 예측하고 교차 검증을 통과했다는 논리 규칙이 있습니다. 그리고 검증 데이터(절대적으로 알려지지 않은 새 데이터)에 대해 규칙은 무작위로 작동합니다. 수준 ..
기차의 첫 번째 규칙과 똑같이 동작하는 또 다른 규칙이 있습니다. 테스트 및 유효성 검사도 문제 없이 통과합니다. 이것이 실제 규칙입니다.
질문: 학습, 테스트, 교차 검증 단계에서 한 규칙을 다른 규칙과 어떻게 구별할 수 있습니까? 검증 단계 전 ..
나는 당신이 하나와 다른 것 사이에 선을 그을 수 있는 어떤 표시가 있는지 궁금합니다. 아마도 임의성이나 결정론 등에 대한 몇 가지 통계적 테스트일 것입니다.
무작위성/규칙성의 문제는 전체 알고리즘과 알고리즘의 ML에 대한 초석입니다.
많은 트릭과 트릭.
가장 간단한 것은 결과를 얻은 방법을 보는 것입니다. 최상의 결과를 얻는다면... 집합에서 최상의 결과를 선택합니다. 물론 적합할 확률은 매우 높습니다(특히 나머지 결과의 대부분이 아무 것도 아닌 경우). 시험 결과. 어떻게 얻었습니까? - 물론, 기차에서 상위 5%를 뽑고 테스트에서 모두 이기고 테스트에서 최고를 선택했다면 물론 피팅 가능성은 여전히 작지 않습니다 (특히 평균 결과 나머지는 그다지 좋지 않습니다). 이 "하지 않는 방법"은 과적합에 빠질 가능성을 매우 적절하게 차단할 것입니다. 이런 이유로 다른 사람의 로봇/모델을 형평성으로 평가하는 것이 어떻게 가능한지 전혀 이해하지 못합니다.
가장 간단한 것은 결과를 얻은 방법을 보는 것입니다. 최상의 결과를 얻는다면... 집합에서 최상의 결과를 선택합니다. 물론 적합할 확률은 매우 높습니다(특히 나머지 결과의 대부분이 아무 것도 아닌 경우). 시험 결과. 어떻게 얻었습니까? - 물론, 기차에서 상위 5%를 뽑고 테스트에서 모두 이기고 테스트에서 최고를 선택했다면 물론 적합 가능성은 여전히 작지 않습니다 (특히 평균 결과 나머지는 그다지 좋지 않습니다). 이 "하지 않는 방법"은 과적합에 빠질 가능성을 매우 적절하게 차단할 것입니다. 이런 이유로 다른 사람의 로봇/모델을 형평성으로 평가하는 것이 어떻게 가능한지 전혀 이해하지 못합니다.
또한 그가 말했듯이 모든 종류의 트릭과 칩.
이것들은 다 뻔한 것들, 기름은 기름이다.. 구체적인 기술들이 흥미롭다.
================================
예를 들어, 옵션으로 TS, 규칙, AMO 등의 최적화 표면(OP) 분석 ...
예를 들어, 여기에서 OP TS는 "복구 계수"를 목표로 하는 두 차량의 교차점입니다.
당연히 이 차량은 작동하지 않으며, 이전에도 없었고 앞으로도 없을 것입니다.
========================================
그리고 지금까지 아주 안정적인 수익을 내고 있는 작업 차량의 OP입니다. (Valery는 알고 있습니다 :))
그래서 OP TS를 보면 그것이 어떤지, 그리고 새로운 데이터에서 작동할지 여부를 말할 수 있다는 인상적인 아이디어가 있습니다.
그러나 OP를 계산하는 것은 길고 어렵습니다. 아마도 계산의 관점에서 더 우아하고 덜 힘들게 계산할 수 있습니다. 자원.
알고리즘 트레이더가 어떻게 하는지 알고 있습니다. 나는 데이터 과학자들이 그것을 어떻게 하는지 전혀 모른다. 그리고 나는 내가 어떻게 하는지 정확히 알고 있다.)).
내가 이해하는 최적화 표면은 (이 경우) 3차원 공간입니다. 여기서 2개의 축은 매개변수(모델, 전략)의 축이고 하나는 대상 메트릭입니다. 예, 물론 통과할 수 있습니다. 몇 가지 방법이 있으며 필요한 경우 다른 방법을 생각해낼 수 있습니다. 사실, 지금은 반대편에 있습니다. 그리고 물론 " 이건 다 뻔한 일이야, 버터유."))로 찾아오는 사람과 유용한 정보를 공유하고 싶은 마음은 없다.
알고리즘 트레이더가 어떻게 하는지 알고 있습니다. 나는 데이터 과학자들이 그것을 어떻게 하는지 전혀 모른다. 그리고 나는 내가 어떻게 하는지 정확히 알고 있다.)).
내가 이해하는 최적화 표면은 (이 경우) 3차원 공간입니다. 여기서 2개의 축은 매개변수(모델, 전략)의 축이고 하나는 대상 메트릭입니다. 예, 물론 통과할 수 있습니다. 몇 가지 방법이 있으며 필요한 경우 다른 방법을 생각해낼 수 있습니다. 사실, 지금은 반대편에 있습니다. 그리고 물론 " 이건 다 뻔한 얘기다, 버터유."))로 찾아오는 사람과 유용한 정보를 공유하고 싶은 마음은 없다.
질문에 대한 귀하의 대답이 다음과 같으면 들어보십시오.많은 트릭과 트릭. 그리고 그가 말했듯이 모든 종류의 트릭과 칩.
확실히 "버터 오일"이 아닌이 깊은 지식에 감사드립니다.
사양에 답해보십시오. SA 또는 CV와 같은 사이트에서 얼마나 많은 플러스를 얻을 수 있을지 궁금합니다.
1) 역사적으로 확립된 패턴이 미래에도 반드시 통한다는 것을 증명할 수 있는 방법도 없고 증명할 방법도 없는 것은 자명하다고 생각합니다.
2) 과거의 데이터에 따라 미래에 대한 결정론(non-randomness) 패턴을 설정하는 방법의 존재는 단락 (1)에 대한 부정이 될 것입니다.
우리는 오직 역사적 패턴의 획일성을 확립할 수 있는 교차 검증만 가지고 있습니다. 우리는 패턴을 보간할 수만 있을 뿐 외삽할 수는 없습니다. 우리는 잘 보간된 패턴이 잘 외삽될 것이라는 매우 약한 가정만을 가지고 있습니다. 이것은 연역적 추론이 아니라 유추에 의한 추론의 변형인 귀납적 추론일 뿐입니다.
구체적인 예:
무작위성/규칙성의 문제는 전체 알고리즘과 알고리즘의 ML에 대한 초석입니다.
많은 트릭과 트릭.
가장 간단한 것은 결과를 얻은 방법을 보는 것입니다. 최상의 결과를 얻는다면... 집합에서 최상의 결과를 선택합니다. 물론 적합할 확률은 매우 높습니다(특히 나머지 결과의 대부분이 아무 것도 아닌 경우). 시험 결과. 어떻게 얻었습니까? - 물론, 기차에서 상위 5%를 뽑고 테스트에서 모두 이기고 테스트에서 최고를 선택했다면 물론 피팅 가능성은 여전히 작지 않습니다 (특히 평균 결과 나머지는 그다지 좋지 않습니다). 이 "하지 않는 방법"은 과적합에 빠질 가능성을 매우 적절하게 차단할 것입니다. 이런 이유로 다른 사람의 로봇/모델을 형평성으로 평가하는 것이 어떻게 가능한지 전혀 이해하지 못합니다.
또한 그가 말했듯이 모든 종류의 트릭과 칩.
무작위성/규칙성의 문제는 전체 알고리즘과 알고리즘의 ML에 대한 초석입니다.
많은 트릭과 트릭.
가장 간단한 것은 결과를 얻은 방법을 보는 것입니다. 최상의 결과를 얻는다면... 집합에서 최상의 결과를 선택합니다. 물론 적합할 확률은 매우 높습니다(특히 나머지 결과의 대부분이 아무 것도 아닌 경우). 시험 결과. 어떻게 얻었습니까? - 물론, 기차에서 상위 5%를 뽑고 테스트에서 모두 이기고 테스트에서 최고를 선택했다면 물론 적합 가능성은 여전히 작지 않습니다 (특히 평균 결과 나머지는 그다지 좋지 않습니다). 이 "하지 않는 방법"은 과적합에 빠질 가능성을 매우 적절하게 차단할 것입니다. 이런 이유로 다른 사람의 로봇/모델을 형평성으로 평가하는 것이 어떻게 가능한지 전혀 이해하지 못합니다.
또한 그가 말했듯이 모든 종류의 트릭과 칩.
이것들은 다 뻔한 것들, 기름은 기름이다.. 구체적인 기술들이 흥미롭다.
================================
예를 들어, 옵션으로 TS, 규칙, AMO 등의 최적화 표면(OP) 분석 ...
예를 들어, 여기에서 OP TS는 "복구 계수"를 목표로 하는 두 차량의 교차점입니다.
당연히 이 차량은 작동하지 않으며, 이전에도 없었고 앞으로도 없을 것입니다.
========================================
그리고 지금까지 아주 안정적인 수익을 내고 있는 작업 차량의 OP입니다. (Valery는 알고 있습니다 :))
차이를 느껴보세요.
그래서 OP TS를 보면 그것이 어떤지, 그리고 새로운 데이터에서 작동할지 여부를 말할 수 있다는 인상적인 아이디어가 있습니다.
그러나 OP를 계산하는 것은 길고 어렵습니다. 아마도 계산의 관점에서 더 우아하고 덜 힘들게 계산할 수 있습니다. 자원.
그래서 OP TS를 보면 그것이 어떤지, 그리고 새로운 데이터에서 작동할지 여부를 말할 수 있다는 인상적인 아이디어가 있습니다.
그러나 OP를 계산하는 것은 길고 어렵습니다. 아마도 계산의 관점에서 더 우아하고 덜 힘들게 계산할 수 있습니다. 자원.
알고리즘 트레이더가 어떻게 하는지 알고 있습니다. 나는 데이터 과학자들이 그것을 어떻게 하는지 전혀 모른다. 그리고 나는 내가 어떻게 하는지 정확히 알고 있다.)).
내가 이해하는 최적화 표면은 (이 경우) 3차원 공간입니다. 여기서 2개의 축은 매개변수(모델, 전략)의 축이고 하나는 대상 메트릭입니다. 예, 물론 통과할 수 있습니다. 몇 가지 방법이 있으며 필요한 경우 다른 방법을 생각해낼 수 있습니다. 사실, 지금은 반대편에 있습니다. 그리고 물론 " 이건 다 뻔한 일이야, 버터유."))로 찾아오는 사람과 유용한 정보를 공유하고 싶은 마음은 없다.
인과관계를 추적하는 것이 항상 가능한 것은 아니다
그러면 원인에 대한 가정만이 패턴의 존재가 될 수 있습니다. 원인은 일차적이며 행동은 이차적입니다. TA에서 그들은 때때로 원인의 우선성을 잊어버리고 행동의 무작위 반복이 그들이 아닌 패턴에 대해 취해집니다.
알고리즘 트레이더가 어떻게 하는지 알고 있습니다. 나는 데이터 과학자들이 그것을 어떻게 하는지 전혀 모른다. 그리고 나는 내가 어떻게 하는지 정확히 알고 있다.)).
내가 이해하는 최적화 표면은 (이 경우) 3차원 공간입니다. 여기서 2개의 축은 매개변수(모델, 전략)의 축이고 하나는 대상 메트릭입니다. 예, 물론 통과할 수 있습니다. 몇 가지 방법이 있으며 필요한 경우 다른 방법을 생각해낼 수 있습니다. 사실, 지금은 반대편에 있습니다. 그리고 물론 " 이건 다 뻔한 얘기다, 버터유."))로 찾아오는 사람과 유용한 정보를 공유하고 싶은 마음은 없다.
질문에 대한 귀하의 대답이 다음과 같으면 들어보십시오. 많은 트릭과 트릭. 그리고 그가 말했듯이 모든 종류의 트릭과 칩.
확실히 "버터 오일"이 아닌이 깊은 지식에 감사드립니다.
사양에 답해보십시오. SA 또는 CV와 같은 사이트에서 얼마나 많은 플러스를 얻을 수 있을지 궁금합니다.
글쎄, 너무 아프면 항상 울 수 있습니다))
질문에 대한 귀하의 대답이 다음과 같으면 들어보십시오. 많은 트릭과 트릭. 그리고 그가 말했듯이 모든 종류의 트릭과 칩.
확실히 "버터 오일"이 아닌이 깊은 지식에 감사드립니다.
사양에 답해보십시오. SA 또는 CV와 같은 사이트에서 얼마나 많은 플러스를 얻을 수 있을지 궁금합니다.
글쎄, 너무 아프면 항상 울 수 있습니다))
마음에 드셨다니 다행입니다.)
그러면 원인에 대한 가정만이 패턴의 존재가 될 수 있습니다. 원인은 일차적이며 행동은 이차적입니다. TA에서 그들은 때때로 원인의 우선성을 잊어버리고 행동의 무작위 반복이 그들이 아닌 패턴에 대해 취해집니다.
동의합니다, 어려운 질문입니다.
따라서 "많은 종류의 칩과 트릭"이 아니라 답이 숫자가되도록 수학에 가야합니다.
1) 역사적으로 확립된 패턴이 미래에도 반드시 통한다는 것을 증명할 수 있는 방법도 없고 증명할 방법도 없는 것은 자명하다고 생각합니다.
2) 과거의 데이터에 따라 미래에 대한 결정론(non-randomness) 패턴을 설정하는 방법의 존재는 단락 (1)에 대한 부정이 될 것입니다.
우리는 오직 역사적 패턴의 획일성을 확립할 수 있는 교차 검증만 가지고 있습니다. 우리는 패턴을 보간할 수만 있을 뿐 외삽할 수는 없습니다. 우리는 잘 보간된 패턴이 잘 외삽될 것이라는 매우 약한 가정만을 가지고 있습니다. 이것은 연역적 추론이 아니라 유추에 의한 추론의 변형인 귀납적 추론일 뿐입니다.
1) 역사적으로 확립된 패턴이 미래에도 반드시 통한다는 것을 증명할 수 있는 방법도 없고 증명할 방법도 없는 것은 자명하다고 생각합니다.
2) 과거의 데이터에 따라 미래에 대한 결정론(non-randomness) 패턴을 설정하는 방법의 존재는 단락 (1)에 대한 부정이 될 것입니다.