Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Hmmm, woher sollte er mehr darüber wissen :)
Ich habe gerade über die geringere Anzahl korrekt klassifizierter schlechter Beispiele aufgrund ihrer Klassifizierungsgenauigkeit geschrieben.
Sein Code dort ist sehr schwer zu lesen, aber man kann ihn im Allgemeinen herausfinden. Ich denke, für sein persönliches Verständnis von MO ist das ein sehr guter Anreiz. Und reproduzierbarer Code ist sehr wichtig für das Verständnis des Prozesses. Vor allem, wenn man etwas Eigenes machen will.
Ja, das ist es, was passiert - verschwendete Jahre.
Igor Ashmanov über den Sprachassistenten Alice
Über zwei grundlegend unterschiedliche Ansätze für KI-Programme.
Endlich gibt es einen guten Leitfaden über Casual.
Er beantwortet die Frage, warum ML nur für die Vorhersage, aber nicht für die Kausalität geeignet ist.
ML ist notorisch schlecht bei dieser Art von Problemen der umgekehrten Kausalität. Sie erfordern die Beantwortung von "Was wäre wenn"-Fragen, die Ökonomen als kontrafaktisch bezeichnen. Was würde passieren, wenn ich statt des Preises, den ich derzeit für meine Ware verlange, einen anderen Preis ansetzen würde? Was würde passieren, wenn ich statt der fettarmen Diät, die ich gerade mache, eine zuckerarme mache? Wenn Sie in einer Bank arbeiten und Kredite gewähren, müssen Sie herausfinden, wie sich Ihre Einnahmen ändern, wenn Sie die Kundenlinie ändern. Oder wenn Sie in der Kommunalverwaltung arbeiten, werden Sie vielleicht gebeten herauszufinden, wie man das Schulsystem verbessern kann. Sollen Sie jedem Kind ein Tablet geben, weil das Zeitalter des digitalen Wissens Ihnen das vorschreibt? Oder sollten Sie eine altmodische Bibliothek einrichten?
Im Mittelpunkt dieser Fragen steht eine kausale Untersuchung, auf die wir die Antwort wissen wollen. Kausale Fragen durchdringen alltägliche Probleme, wie z. B. herauszufinden, wie man den Umsatz steigern kann. Sie spielen aber auch eine wesentliche Rolle bei Dilemmas, die uns persönlich am Herzen liegen: Muss ich eine teure Schule besuchen, um im Leben erfolgreich zu sein (führt Bildung zu Einkommen)? Verringert die Einwanderung meine Chancen auf einen Arbeitsplatz (führt die Einwanderung zu einem Anstieg der Arbeitslosigkeit)? Senkt ein Geldtransfer an die Armen die Kriminalitätsrate? Dabei spielt es keine Rolle, in welchem Bereich Sie tätig sind. Es ist sehr wahrscheinlich, dass Sie irgendeine Art von Kausalfrage beantworten mussten oder müssen. Leider können wir uns in der ML nicht auf korrelative Vorhersagen verlassen, um diese Fragen zu beantworten.
Endlich habe ich einen guten Freizeitführer.
Er beantwortet die Frage, warum MO nur für die Vorhersage, aber nicht für die Kausalitätssuche geeignet ist.
Endlich habe ich einen guten Freizeitführer.
Vor allem sieht es aus wie eine "überflüssige" Matstat)
Grundsätzlich wird vorgeschlagen, sich anzuschauen, welche Methoden z.B. in der evidenzbasierten Medizin verwendet werden und zu versuchen, diese auf die eigene Aufgabe anzuwenden.
Am ehesten eine "unnötige" Matte)
Im Grunde geht es darum, zu sehen, welche Methoden zum Beispiel in der evidenzbasierten Medizin verwendet werden, und zu versuchen, sie auf Ihre Aufgabe anzuwenden.
Als eine der Variablen der Fitnessfunktion.
Die Aufgabe für AMO ist es, so zu trainieren, dass die Vorhersage auf der Grundlage des Eigenkapitals des AMO-Handels so gut wie möglich war.
Ich möchte keine schöne Kurve des Eigenkapitals auf der Geschichte, aber ich möchte eine zuversichtliche Prognose in den zukünftigen Handel zu bekommen...
Vorhersage mit Konfidenzintervallen, der gleiche statistische Test...
Ich habe zwei Algorithmen für die Vorhersage verwendet, Auto Arima und Holt.
Hier sehen Sie den Bereich, in dem die Prognose "garantiert Wachstum" des Eigenkapitals.