흥미로운 불확실성의 종류, 즉 속성에 대한 출력의 확률적 의존성을 고려하지 않은 것 같습니다. 그들은 두 가지 다른 유형의 불확실성, 즉 속성 및 매개 변수의 부정확성과 관련된 불확실성을 연구합니다. 이 두 가지 불확실성의 이름은 아름답게 명명되어 있습니다(알레토릭 불확실성 및 인식론적 불확실성).
임호, 우리의 경우 속성의 '측정 오류'는 원칙적으로 존재하지 않으며, 모델 매개변수의 불확실성은 '목표 불확실성'과 잘 분리할 수 없습니다.
이러한 불확실성의 합이 목표 불확실성을 제공해야 할 것 같았습니다. 하지만 자세히 살펴보지는 않았습니다.
접근 방식은 메타 러너를 통한 코줄라와 거의 동일하지만 여기서는 속도를 위해 하나의 모델을 분해하여 여러 분류기의 앙상블이 아닌 잘린 분류기의 앙상블로 사용하는 방법도 제안합니다.
무엇을 원하시나요? 우리는 거의 무작위화 작업을하고 있습니다. 이것은 6개월 전에 여기에 던져진 코줄의 첫 번째 책에서처럼 온도에 따른 아이스크림에 대한 수요가 아닙니다)))))
따라서 우리는이 "거의"의 의존성을 징후에 대해 신중하게 측정해야합니다).
방대한 문헌이 포함된 수준 높고 흥미로운 기사 감사합니다.
흥미로운 불확실성의 종류, 즉 속성에 대한 출력의 확률적 의존성을 고려하지 않은 것 같습니다. 그들은 두 가지 다른 유형의 불확실성, 즉 속성 및 매개 변수의 부정확성과 관련된 불확실성을 연구합니다. 이 두 가지 불확실성의 이름은 아름답게 명명되어 있습니다(알레토릭 불확실성 및 인식론적 불확실성).
임호, 우리의 경우 속성의 '측정 오류'는 원칙적으로 존재하지 않으며, 모델 매개변수의 불확실성은 '목표 불확실성'과 잘 분리할 수 없습니다.
이러한 불확실성의 합이 목표 불확실성을 제공해야 할 것 같았습니다. 하지만 자세히 살펴보지는 않았습니다.
접근 방식은 메타 러너를 통한 코줄라와 거의 동일하지만 여기서는 속도를 위해 하나의 모델을 분해하여 여러 분류기의 앙상블이 아닌 잘린 분류기의 앙상블로 사용하는 방법도 제안합니다.
R 제곱 추정치의 출처가 어디인지 모르겠어요.
이전에는 모든 회귀 계수가 유의미한 경우 이 추정치가 회귀에 적용된다고 알고 있었습니다. 그렇지 않으면 R 제곱이 존재하지 않습니다....
R 제곱 점수가 어디에서 나온 것인지 이해가 되지 않나요?
이전에는 모든 회귀 계수가 유의미한 경우 이 추정치가 회귀에 적용된다고 알고 있었습니다. 그렇지 않으면 R 제곱이 존재하지 않습니다....
이는 테스터가 다양한 밸런스 곡선을 빠르게 비교하기 위해 표시하는 것일 뿐입니다.
다른 곳에는 관여하지 않습니다.
모두 50/50으로 작동합니다.
모두 50/50으로 작동합니다.
그냥..
스크립트에서 수치를 채점하고 미래의 통계를 보면 캔들 수와 포인트 수에 따른 상승/하락 분포는 50/50이 되는 경향이 있습니다.
이것은 캔들 스틱의 수치 (서로의 HLC 비율)에 관한 것이며, 최소 1000 개의 수치 통계에는 너무 적기 때문에 영원한 수치는 계산하지 않았습니다.
따라서 2022년 수치가 캔들의 55%가 상승하고 캔들의 평균값이 셀보다 5~10% 더 높다면 2023년에도 여전히 50/50이 될 것이며, 이는 어떤 호재도 없을 것입니다.
스크립트에서 수치를 채점하고 미래의 통계를 보면 캔들 수와 점수 수에 따른 상승/하락 분포가 50/50으로 나타나는 경향이 있습니다.
이것은 캔들 스틱 수치 (HLC와 서로의 비율)의 경우이며, 최소 1000 개의 수치 통계에는 너무 적기 때문에 영원한 수치는 계산하지 않았습니다.
따라서 2022 년에 수치가 55 %의 양초가 상승하고 양초의 평균 값이 셀보다 5-10 % 더 높으면 2023 년에도 특권없이 여전히 50/50이 될 것입니다.
그리고 적절한 스톱 앤 테이크가 추가되면 50/50이 될까요?