제가 응용 프로그램을 이해했듯이 분류 결과는 원본 데이터의 품질뿐만 아니라 훈련 및 평가 세트를 구성하는 방법에 따라 달라집니다. 그리고 제가 아직 이해하지 못한 다른 것도 있습니다.
Hehe. 이 비디오 전에 더 많은 비디오를 시청하면 그림이 명확해질 수 있습니다. 요점은 데이터에서 이러한 샘플을 찾는 것입니다. 트리트먼트 (우리의 경우 모델 훈련)에 가능한 한 잘 반응하는 특징 W 값의 벡터가있는 X라고 가정하고 다른 샘플은 훈련에 나쁘게 반응하기 때문에 "거래 할"클래스에 할당하는 것이 더 나은 경우 "거래하지 않는"클래스에 할당하는 것입니다 (새로운 데이터에서 모델은 트리트먼트 그룹에 포함시킬 때 실수를합니다). 마케팅에서는 사용자 예시입니다. 한 사용자 샘플은 광고 캠페인의 영향을 받지만 다른 사용자 샘플은 광고 캠페인 예산을 사용할 가치가 없는 경우입니다.
헤헤헤. 이 전에 더 많은 비디오를 보면 그림이 명확해질 것입니다. 요점은 데이터에서 이러한 샘플을 찾는 것입니다. 트리트먼트 (우리의 경우 모델 훈련)에 가능한 한 잘 반응하는 특징 W 값의 벡터가있는 X라고 가정하고 다른 샘플은 훈련에 잘 반응하지 않기 때문에 "거래 할"클래스에 할당하는 것이 더 나은 경우 "거래하지 않음"에 할당합니다 (새 데이터에서 모델은 트리트먼트 그룹에 포함 할 때 실수를 범합니다). 마케팅에서는 사용자 예시입니다. 한 사용자 샘플이 광고 캠페인의 영향을 받지만 다른 사용자에게 광고 캠페인 예산을 사용하는 것은 부적절합니다.
저는 TC의 맥락에서 이런 식으로 이해합니다.
귀하의 이해에는 결정론의 냄새가 강하게 풍기는 반면, 이 글은 무작위성과 심지어 불균형 데이터에 대한 결정론의 극치입니다. 샘플 선택이 아니라 정반대입니다. X-learner를 추천합니다.
먼저 두 개의 반응 함수 µ(x, 1)과 µ(x, 0)을 추정합니다. 그런 다음 이 추정치를 사용하여 치료 대상(˜ξ 1 i )과 대조군(˜ξ 0 i)에 대한 관찰되지 않은 개별 치료 효과를 추정합니다. 이렇게 추정된 효과는 치료 표본 τ (x, 1)과 대조 표본 τ (x, 0)의 치료 효과를 각각 추정하기 위한 의사 결과(pseudo-outcome)로 사용됩니다. 최종 CATE 추정치 τ (x)는 이러한 치료 효과 추정치에 성향 점수인 e(x)로 가중치를 부여한 가중 평균입니다. 따라서 X 학습자는 교차 회귀 스타일로 치료 대상의 정보를 추가로 사용하여 대조군에 대해 학습하고 그 반대의 경우도 마찬가지이므로 명명 레이블에 X 항을 사용합니다.
질문을 다시 공식화하세요.
실제 외환에서 거래한 적이 있다면 새벽 1시경에 스프레드가 넓어지지 않나요? 일반 부엌에서와 마찬가지로요.
.
예, M5)
지금 다시 반복하겠습니다) 에니데스크가 있고 업무용 컴퓨터에 접속할 수 있어서 다행입니다))))
270 달러. 그리고 최고의 SL 11500, 전체 5200 SL 및 350 TP는 거의 같은 결과입니다.
스프레드가 클 수도 있습니다. 나는 더 많은 이익을 얻었고 전체적으로 곡선은 동일합니다. 지난 몇 년 동안 약간 거친 학습 곡선이있었습니다. 하지만 이전이 더 낫습니다.
시장에서 이 최적은 지진 발생 후 지구의 지형처럼 끊임없이 변화하고 있습니다.... 따라서 우리의 임무는 언제 또는 그 이후에 일어날지 예측하는 것이지만 가장 중요한 것은 새로운 최적을 찾아야하는 순간을 예측하는 것입니다....
다양한 방법을 비교한 논문. 동영상과 책 외에도 다른 논문에 대한 많은 참조가 있습니다.
이 그림에서.
MO의 경우 순차 샘플링은 허용되지 않으며 무작위 샘플링만 허용됩니다.
이 사진에서.
MO의 경우 순차 샘플링은 허용되지 않으며 무작위 샘플링만 허용됩니다.
다양한 방법을 비교하는 논문. 동영상과 책 외에도. 다른 논문에 대한 많은 참조가 있습니다.
멋진 기사입니다!
제가 응용 프로그램을 이해했듯이 분류 결과는 원본 데이터의 품질뿐만 아니라 훈련 및 평가 세트를 구성하는 방법에 따라 달라집니다. 그리고 제가 아직 이해하지 못한 또 다른 부분이 있습니다.
멋진 기사!
제가 응용 프로그램을 이해했듯이 분류 결과는 원본 데이터의 품질뿐만 아니라 훈련 및 평가 세트를 구성하는 방법에 따라 달라집니다. 그리고 제가 아직 이해하지 못한 다른 것도 있습니다.
Hehe. 이 비디오 전에 더 많은 비디오를 시청하면 그림이 명확해질 수 있습니다. 요점은 데이터에서 이러한 샘플을 찾는 것입니다. 트리트먼트 (우리의 경우 모델 훈련)에 가능한 한 잘 반응하는 특징 W 값의 벡터가있는 X라고 가정하고 다른 샘플은 훈련에 나쁘게 반응하기 때문에 "거래 할"클래스에 할당하는 것이 더 나은 경우 "거래하지 않는"클래스에 할당하는 것입니다 (새로운 데이터에서 모델은 트리트먼트 그룹에 포함시킬 때 실수를합니다). 마케팅에서는 사용자 예시입니다. 한 사용자 샘플은 광고 캠페인의 영향을 받지만 다른 사용자 샘플은 광고 캠페인 예산을 사용할 가치가 없는 경우입니다.
저는 TC의 맥락에서 이를 이렇게 이해합니다.
헤헤헤. 이 전에 더 많은 비디오를 보면 그림이 명확해질 것입니다. 요점은 데이터에서 이러한 샘플을 찾는 것입니다. 트리트먼트 (우리의 경우 모델 훈련)에 가능한 한 잘 반응하는 특징 W 값의 벡터가있는 X라고 가정하고 다른 샘플은 훈련에 잘 반응하지 않기 때문에 "거래 할"클래스에 할당하는 것이 더 나은 경우 "거래하지 않음"에 할당합니다 (새 데이터에서 모델은 트리트먼트 그룹에 포함 할 때 실수를 범합니다). 마케팅에서는 사용자 예시입니다. 한 사용자 샘플이 광고 캠페인의 영향을 받지만 다른 사용자에게 광고 캠페인 예산을 사용하는 것은 부적절합니다.
저는 TC의 맥락에서 이런 식으로 이해합니다.
귀하의 이해에는 결정론의 냄새가 강하게 풍기는 반면, 이 글은 무작위성과 심지어 불균형 데이터에 대한 결정론의 극치입니다. 샘플 선택이 아니라 정반대입니다. X-learner를 추천합니다.
먼저 두 개의 반응 함수 µ(x, 1)과 µ(x, 0)을 추정합니다. 그런 다음 이 추정치를 사용하여 치료 대상(˜ξ 1 i )과 대조군(˜ξ 0 i)에 대한 관찰되지 않은 개별 치료 효과를 추정합니다. 이렇게 추정된 효과는 치료 표본 τ (x, 1)과 대조 표본 τ (x, 0)의 치료 효과를 각각 추정하기 위한 의사 결과(pseudo-outcome)로 사용됩니다. 최종 CATE 추정치 τ (x)는 이러한 치료 효과 추정치에 성향 점수인 e(x)로 가중치를 부여한 가중 평균입니다. 따라서 X 학습자는 교차 회귀 스타일로 치료 대상의 정보를 추가로 사용하여 대조군에 대해 학습하고 그 반대의 경우도 마찬가지이므로 명명 레이블에 X 항을 사용합니다.
"좋은" 선택만큼 좋은 것은 없습니다.