가장 좋은 예측자 분할이 아니라 가장 좋은 예측자의 다양한 변형을 사용한다는 점에서 다릅니다. 이런 식으로 분할이 순차적으로 이루어지고알고리즘을 올바르게 이해하면 평가의 성공 여부가잎에서 이루어집니다.성공적인 생성에서 리프에 더 가까운 예측자가 잘리고 구성이 다시 시도됩니다. 저는 저자가 아니기 때문에 알고리즘 자체를 자세히 분석 할 수 없습니다. 그러나 아이디어에 따르면이 접근 방식은 이론적으로 무작위 추출보다 낫습니다.
내가 기억하는 한, 샘플은 연도별로 나뉘고 재무 지표에 의해 대차 대조표가 작성되고 각 대차 대조표는 당신이 말한 주제를 포함하여 다른 메트릭으로 평가되고 입학 기준이 있으며 모든 플롯 (제 경우에는 년)에 대해 모든 것이 좋으면 잎이 잎 기반에 허용됩니다.
이것이 개별 잎 1 개와 무슨 관련이 있습니까? 잎의 예는 일년 전체를 균등하게 설명하지는 않지만 예를 들어 1월에는 2개, 2월에는 27개, 12월에는 555개의 예가 있습니다. 모든 잎의 균형선을 기준으로 삼으면 12월에는 이 잎의 주요 성장이 분명히 나타나고 직선으로부터의 편차가 매우 강해질 것입니다.
이 한 잎의 균형선을 기준으로 삼으면 균일 성을 얻을 수 있지만 전체 균일성에 대한 참여도를 결정하기는 어렵습니다.
한 장으로 분리된 것은 무슨 관련이 있나요? 잎의 예는 일년 전체를 균등하게 설명하지는 않지만 예를 들어 1월에는 2개, 2월에는 27개, 12월에는 555개의 예가 있습니다. 모든 잎의 균형선을 기준으로 삼으면 12월에 이 잎의 주요 성장이 분명히 나타나고 직선으로부터의 편차가 매우 강할 것입니다.
이 한 잎의 균형선만을 기준으로 삼으면 균일 성을 얻을 수 있지만 전체 균일 성의 참여는 결정하기 어렵습니다.
물론 우리는 간격을 다루고 있으며, 간격을 작게 잡을수록 극소수의 예가 있을 가능성이 커집니다. 이 문제에 대해서는 어느 정도 합리성의 균형이 필요하며, 그 시점에서 시트의 효과를 보여주기 위해서는 1년이 최적이라고 결정했습니다. 특히 상위 TF를 설명하는 예측 변수가 있는 경우 몇 달 동안은 신호가 전혀 없는 것이 일반적입니다.
반면에 나무는 독립적으로 지어지고 그 답은 나뭇잎에서 무게가 측정됩니다. 저는 숲이 아니라 나무 한 그루와 함께 일했습니다. 유전학에서 숲에 대해 들어본 적이 없습니다.
아, 그렇군요. 그렇다면 포레스트를 사용할 필요가 없겠네요.
그리고 유전자 나무와 일반 나무의 차이점은 무엇이며 장점은 무엇입니까?
숲이 있는데, 모델을 구축한 후 가중치를 재조정하나요? 아니면 활성화된 나뭇잎의 평균값을 사용하나요?
저는 리프를 선택할 때 이력에 따른 응답 분포의 안정성과 균일성을 고려합니다. 저는 2차원 지표를 만들고 이를 종합적으로 평가합니다. 따라서 반응이 없는 잎은 저에게 극히 드문 경우입니다.
나뭇잎을 쉽게 저장하여 수천 개의 나무를 만들고 그것으로만 작업 할 수있는 것 같습니다.
모든 나무의 평균이 필요한 나무보다 크면 잔액 계산에 사용합니다.
.
균일성은 어떻게 측정하나요? 첫 번째 밸런스 포인트와 마지막 밸런스 포인트 사이의 직선으로부터의 편차? 그리고 총합에 잔액을 곱해야 하나요?
네, 그럼 포레스트는 쓸 필요가 없겠네요.
유전자 트리와 일반 트리의 차이점은 무엇이며 어떤 장점이 있나요?
가장 좋은 예측자 분할이 아니라 가장 좋은 예측자의 다양한 변형을 사용한다는 점에서 다릅니다. 이런 식으로 분할이 순차적으로 이루어지고알고리즘을 올바르게 이해하면 평가의 성공 여부가잎에서 이루어집니다.성공적인 생성에서 리프에 더 가까운 예측자가 잘리고 구성이 다시 시도됩니다. 저는 저자가 아니기 때문에 알고리즘 자체를 자세히 분석 할 수 없습니다. 그러나 아이디어에 따르면이 접근 방식은 이론적으로 무작위 추출보다 낫습니다.
예. 가끔 속도를 위해 하나의 트리를 사용합니다. 지금은 보통 여러 개의 트리를 사용합니다.
모든 트리의 평균이 원하는 것보다 크면 잔액 계산에 사용합니다.
균일성은 어떻게 측정하나요? 첫 번째 밸런스 포인트와 마지막 밸런스 포인트 사이의 직선으로부터의 편차? 그리고 아마도 총합에 잔액을 곱해야 할까요?
내가 기억하는 한, 샘플은 연도별로 나뉘고 재무 지표로 대차 대조표가 작성되고 각 대차 대조표는 귀하가 말한 주제를 포함하여 다른 메트릭으로 평가되며 허용 기준이 있으며 모든 섹션 (제 경우에는 년)이 모두 양호하면 잎이 잎 기반에 허용됩니다.
내가 기억하는 한, 샘플은 연도별로 나뉘고 재무 지표에 의해 대차 대조표가 작성되고 각 대차 대조표는 당신이 말한 주제를 포함하여 다른 메트릭으로 평가되고 입학 기준이 있으며 모든 플롯 (제 경우에는 년)에 대해 모든 것이 좋으면 잎이 잎 기반에 허용됩니다.
이것이 개별 잎 1 개와 무슨 관련이 있습니까? 잎의 예는 일년 전체를 균등하게 설명하지는 않지만 예를 들어 1월에는 2개, 2월에는 27개, 12월에는 555개의 예가 있습니다.
모든 잎의 균형선을 기준으로 삼으면 12월에는 이 잎의 주요 성장이 분명히 나타나고 직선으로부터의 편차가 매우 강해질 것입니다.
이 한 잎의 균형선을 기준으로 삼으면 균일 성을 얻을 수 있지만 전체 균일성에 대한 참여도를 결정하기는 어렵습니다.
한 장으로 분리된 것은 무슨 관련이 있나요? 잎의 예는 일년 전체를 균등하게 설명하지는 않지만 예를 들어 1월에는 2개, 2월에는 27개, 12월에는 555개의 예가 있습니다.
모든 잎의 균형선을 기준으로 삼으면 12월에 이 잎의 주요 성장이 분명히 나타나고 직선으로부터의 편차가 매우 강할 것입니다.
이 한 잎의 균형선만을 기준으로 삼으면 균일 성을 얻을 수 있지만 전체 균일 성의 참여는 결정하기 어렵습니다.
물론 우리는 간격을 다루고 있으며, 간격을 작게 잡을수록 극소수의 예가 있을 가능성이 커집니다. 이 문제에 대해서는 어느 정도 합리성의 균형이 필요하며, 그 시점에서 시트의 효과를 보여주기 위해서는 1년이 최적이라고 결정했습니다. 특히 상위 TF를 설명하는 예측 변수가 있는 경우 몇 달 동안은 신호가 전혀 없는 것이 일반적입니다.
잎을 앙상블로 결합하는 것은 별도의 작업입니다.속설에 따르면 나무만 보고 숲을 볼 수 없다고 합니다. 하지만 나뭇잎을 통해 나무를 볼 수 있는지 궁금합니다. 숲에 대해 묻는 것이 아닙니다.
이것이 당신이 아는 유일한 알고리즘인가요? 아니면 가장 효율적인 방법인가요? 왜 그것에 집착하나요?
그냥 지나가는 생각입니다.
행운을 빌어요
나무만 보고 숲을 볼 수 없다는 속설이 있습니다. 나뭇잎을 따서 나무를 볼 수 있는지 궁금합니다. 숲에 대해 묻는 것이 아닙니다.
이것이 당신이 아는 유일한 알고리즘인가요? 아니면 가장 효율적인 방법인가요? 왜 그렇게 집착하는 건가요?
그냥 지나가는 생각입니다.
행운을 빕니다.
1) 규칙은 나무에서 추출할 수 있고 각각의 통계는 HC에서 계산할 수 있습니다.
2) 나무 사람들은 빠른 학습자이지만 NS는 그렇지 않습니다.
맥락을 알면 이동평균에서도 거래할 수 있다고 누가 생각했을까요)))))
진입 및 종료 가격은 mashka와 ohlc로 계산되며 다른 것은 없습니다. 나는 확실히하지 않았지만 모든 것은 경험과 함께 제공됩니다.
뇌는 (지금까지) 가장 강력한 MO입니다.