а можно первые 1000 строк разделить на 99 квантов. а 315 или 88 или 4121 - не в какой то супер хитрой формуле где строки объединяются по предсказательной способности, которой вы хотите делать поиск критериев оценки этого квантового отрезка. что там гениальные методы квантования или что-то типа такого. характеризующих выборку, которая попала в квантовый отрезок
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.
질문은 상당히 적절한 질문입니다. 제 대답은 대략 예측 변수가 동질적인 경우(예: 사진의 픽셀 또는 마지막 N개의 양초) 클래스의 모양은 임의적일 수 있으므로 규칙이 그다지 적절하지 않다는 것입니다. 예측 변수가 이질적인 경우(예: 가격과 시간) 클래스는 규칙에 따라 직사각형 모양을 가질 가능성이 더 높습니다.
제가 말하는 맥락에서는, 클래스 중 하나에 속할 확률이 전체 범위의 평균보다 x퍼센트 더 높은 청크(양자 세그먼트)를 식별하기 위해 데이터 범위를 단편적으로 평가하는 것을 말합니다.
정량화란 무엇인가요?)
얼마 전 캣버스트에서 코드가 하나 나왔습니다.
제가 언급한 맥락에서, 이는 클래스 중 하나에 속할 확률이 전체 범위의 평균보다 x퍼센트 높은 조각(양자 세그먼트)을 식별하기 위해 데이터 범위를 조각 단위로 평가하는 것입니다.
얼마 전에 catbusta에서 코드가 있었습니다.
이 코드를 살펴보면 무슨 일이 벌어지고 있는지 알 수 있습니다.
얼마 전 고양이 부스타에서 코드가 나왔습니다.
복잡하죠. 예를 들어 열을 정렬하고 32개 부분으로 나누면 중복이 있는 경우 모두 퀀텀에 던져집니다. 열에 0과 1만 있는 경우 32개가 아닌 2개의 퀀텀이 있습니다(중복이 있기 때문에).부스트와 수익 극대화는 어떻게 진행되고 있나요?
지금까지 운이 없었습니다. 특히 부스팅의 경우) 그라데이션과 헤시안이 있도록 부드러움이 필요합니다. 이익은 그렇게되지 않으므로 부드럽게하는 방법을 생각해야합니다.
최근에 여기에 썼던 단일 트리의 로컬 변형으로 지금은 충분합니다.
앞서 언급한 맥락에서, 데이터 범위를 단편적으로 평가하여 클래스 중 하나에 속할 확률이 전체 범위의 평균보다 x% 더 높은 청크(양자 세그먼트)를 식별하는 것입니다.
본질적으로 트리는 각 예측자에 대해 개별적으로 구성됩니다.
지금까지는 특히 부스팅을 위해) 부드러움이 필요하므로 그라디언트와 헤시안이 필요합니다. 이익은 그렇게되지 않으므로 우리는 그것을 부드럽게하는 방법을 생각해야합니다.
최근에 여기에 쓴 단일 트리의 로컬 변형은 현재로서는 충분합니다.
제가 링크를 드린 비디오 보셨나요?
저기 있는 사람이 RL을 통해 매끄럽지 않은 트리를 매끄러운 트리로 변환하는 방법에 대해 이야기하고 있었어요.
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.
질문은 상당히 적절한 질문입니다. 제 대답은 대략 예측 변수가 동질적인 경우(예: 사진의 픽셀 또는 마지막 N개의 양초) 클래스의 모양은 임의적일 수 있으므로 규칙이 그다지 적절하지 않다는 것입니다. 예측 변수가 이질적인 경우(예: 가격과 시간) 클래스는 규칙에 따라 직사각형 모양을 가질 가능성이 더 높습니다.
물론 이에 대한 명확한 근거는 없으며 단지 가설일 뿐입니다.
제가 링크해 드린 동영상 보셨나요?
거기서 그 남자가 RL을 통해 비스무스를 스무스로 변환하는 방법에 대해 이야기하고 있었어요.
제 생각에는 다른 수학인 것 같아요. 저도 완전히 이해하지 못해서 잘 설명할 수 없습니다. 부스팅에서는 함수에 의한 그라데이션이지만 비디오에서는 네트워크 가중치에 의한 일반적인 그라데이션입니다.
피시의 데이터 범위 또는 값 범위는 무엇인가요?
데이터를 설명하는 예측자의 값 범위입니다.
여기에 알고리즘을 실제로 설명했습니다 - RSI가 있는 그림이 있습니다.