Discusión sobre el artículo "Aplicando el método de Montecarlo al aprendizaje por refuerzo" - página 4
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
como desee :)
pero esto es algo trivial. La importancia depende de la varianza de la ficha (casi siempre, excepto para modelos muy simples). Forest no realiza ninguna transformación en las fichas, no las multiplica ni divide entre sí, etc., sólo dispersa sus valores por los nodos, por lo que no hay interacciones, sólo separación
La secuencia de dispersión (a qué profundidad estará el predictor en el árbol) importa, y depende de otros predictores, incluidos los que son mejores en la dispersión....
La secuencia de propagación (a qué profundidad estará el predictor en el árbol) importa, y depende de otros predictores, incluidos los que se propagan mejor....
Si es un árbol de 3 divisiones, supongo, si es un bosque, olvídalo.
o encontrar la confirmación de sus pensamientos en la literatura, la investigación de los profesionales. Si no, para qué hacer algo para lo que el modelo no está diseñado en absoluto, invéntate alguna tonteríaSi es un árbol de 3 partes, supongo, si es un bosque, olvídalo.
o encontrar la confirmación de sus pensamientos en la literatura, la investigación de los profesionales. De lo contrario, ¿por qué hacer algo que el modelo no está diseñado para nada, para inventar alguna tonteríaUsted es mejor con la literatura, especialmente extranjera. Pensamientos que la construcción de árboles codiciosos puede ser errónea he oído de diferentes oradores en youtube. No tengo ningún estudio autorizado, sólo tengo los resultados de mis experimentos, es posible que esté malinterpretando los resultados. En general, entonces ¿cuál es el punto de este artículo, si se puede introducir todos los predictores a la vez y obtener un modelo casi perfecto?
La literatura es mejor tratada por usted, especialmente la literatura extranjera. He oído opiniones de que la construcción del árbol codicioso puede ser errónea de diferentes oradores en youtube. No tengo ningún estudio autorizado, sólo tengo los resultados de mis experimentos, es posible que estoy malinterpretando los resultados. En general, entonces ¿cuál es el punto de este artículo, si se puede introducir todos los predictores a la vez y obtener un modelo casi perfecto?
para eliminar el ruido de los innecesarios, para aligerar el modelo.
pero el punto del artículo es en realidad diferente, en realidad está en el título.para eliminar el ruido de los sobrantes, para aligerar el modelo.
pero el punto del artículo es en realidad diferente, es en realidad en el título.Así que se hace una selección aleatoria de predictores y se elige el mejor modelo a partir de ella, pero no se sabe lo bueno que es de absalut, propongo hacer una selección más razonable, que, hipotéticamente, puede acercarse al modelo absoluto en mayor medida. Los objetivos son los mismos, pero las herramientas son ligeramente diferentes.
Así que se hace una selección aleatoria de predictores y se elige el mejor modelo, pero no se sabe lo bueno que es de absalut, sugiero hacer una selección más razonable, que, hipotéticamente, puede estar más cerca del modelo absoluto. Los objetivos son los mismos, pero las herramientas son ligeramente diferentes.
No hay selección aleatoria de predictores.
¿qué quiere decir con "una búsqueda más informada"?
No hay selección aleatoria de predictores
¿qué se entiende por "búsqueda más razonable"?
Me doy cuenta de que leí (percibí) mal una palabra en el artículo y lo entendí mal, dice "el método Monte Carlo o el muestreo aleatorio de las variables objetivo deben considerarse por separado", y de alguna manera percibí que se refiere a los predictores, pido disculpas.
Un sobremuestreo más válido es un sobremuestreo basado en resultados pasados, con refuerzo, por así decirlo.
Me doy cuenta de que leí (percibí) mal una palabra del artículo y lo entendí mal, dice "el método Monte Carlo o el muestreo aleatorio de las variables objetivo deben considerarse por separado", y de alguna manera percibí que se refiere a los predictores, pido disculpas.
Más válido es el sobremuestreo con resultados pasados, con refuerzo, por así decirlo.
No entiendo el punto, probablemente no es relevante para el tema del artículo.
Creo que ya he escrito sobre importans.
Se ha publicado un nuevo artículo sobre la aplicación del método de Montecarlo en el aprendizaje por refuerzo:
Autor: Maxim Dmitrievsky
Gracias. ¿Es posible realizar el entrenamiento utilizando la GPU en lugar de la CPU?
Gracias. ¿Es posible hacer la formación utilizando la GPU en lugar de CPU?
Sí, si se reescribe toda la lógica (RF incluyen) en los núcleos cl abierta :) también bosque aleatorio tiene peor viabilidad gpu y paralelismo