1. ¿Cómo se obtiene esta matriz? ¿Qué números hay?
2. Estoy hablando de reglas. En mi enfoque no me importa cómo y de qué se deriva la regla, pero si la respuesta es similar a otra en la muestra de entrenamiento, no lleva información adicional.
1. ningún valor de característica
2. Te voy a sorprender, a nadie le importa cómo se crearon las características, todo el mundo evalúa las características basándose sólo en la respuesta
Utiliza algoritmos de compresión eficientes dentro de las neuronas, como sec2sec, por lo que también es justo.
Si hablamos de texto, utiliza en el 95% de los casos el recuento de palabras habitual como - ¿cuántas veces ha aparecido una palabra en una observación determinada? 0, 1, 103..
Y para que la matriz de características ocupe menos espacio se mantiene en el formato de "matriz dispersa" es favorable porque el 95% de los valores de la matriz son ceros.
mytarmailS #: Si hablamos de texto, en el 95% de los casos se utiliza el habitual contador de palabras del tipo - ¿cuántas veces ha aparecido una palabra en esta observación? 0, 1, 103..
Y para hacer la matriz de características menos ocupado se mantiene en el formato de "matriz dispersa" es favorable porque el 95% de los valores de la matriz son ceros .
En las imágenes, la convolución.
Y seq2seq es exótico para un problema raro.
Son arquitecturas diferentes, pasteles de capas. Es difícil comparar. Estamos hablando de clasificación normal o regresión. En este caso parece una ley universal.
Son otras arquitecturas, pasteles de capas. Es difícil comparar. Estamos hablando de clasificación ordinaria o regresión. En este caso, parece una ley universal.
Es todo lo mismo.
No estoy hablando de neuronas, estoy hablando de la estructura del feedforward.
¿Qué es nuevo, desconocido, incomprensible, complicado?
La misma tabla de signos + cualquier MO
Esto es trabajar con datos no estructurados (texto) luego lo traducimos en una estructura de bolsa de palabras y luego cualquier otra cosa que queramos
¿Qué es nuevo, desconocido, incomprensible, complicado?
La misma tabla de signos + cualquier MO
Esto es trabajar con datos no estructurados (texto) luego lo traducimos en una estructura de bolsa de palabras y luego cualquier otra cosa que queramos
Esto es de otro tema. No importa cómo los transformes, la dimensionalidad del vector de entrada debe ser inferior al umbral especificado, de lo contrario no podrás determinar un patrón. Los categóricos probablemente tengan un límite mayor en la longitud del vector. Además, considere la dependencia del número de filas. En datos enormes, el número de características puede ser mayor.
Maxim Dmitrievsky #: Eso es harina de otro costal. No importa cómo se transformen, la dimensionalidad del vector de entrada debe ser inferior al umbral especificado, de lo contrario no se puede detectar un patrón. Los categóricos probablemente tienen un límite mayor en la longitud del vector. Además, hay que tener en cuenta la dependencia del número de filas. En datos enormes, el número de características puede ser mayor.
Para iniciar sesión y usar el sitio web MQL5.com es necesario permitir el uso de Сookies.
Por favor, active este ajuste en su navegador, de lo contrario, no podrá iniciar sesión.
Ha iniciado sesión. La autenticación de dos factores se ha desactivado. Vuelva a configurarla y escanee un nuevo código QR, o continúe con la autenticación de dos factores desactivada.
1. ¿Cómo se obtiene esta matriz? ¿Qué números hay?
2. Estoy hablando de reglas. En mi enfoque no me importa cómo y de qué se deriva la regla, pero si la respuesta es similar a otra en la muestra de entrenamiento, no lleva información adicional.
¿Por qué es malo un gran número de signos? Interesante gráfico de un libro sobre kozulu.
Probabilidad de encontrar el mismo ejemplo en la muestra de entrenamiento, en función del número de características.
Si tienes más de 14 (e incluso 10) características, obtienes un montón de reglas que no puedes reducir sin pérdidas.
Todo está dentro del ámbito de lo casual...
Utilizan algoritmos de compresión eficientes dentro de las neuronas, como sec2sec, así que también es cierto.
Utiliza algoritmos de compresión eficientes dentro de las neuronas, como sec2sec, por lo que también es justo.
Si hablamos de texto, en el 95% de los casos se utiliza el habitual contador de palabras del tipo - ¿cuántas veces ha aparecido una palabra en esta observación? 0, 1, 103..
.
Son arquitecturas diferentes, pasteles de capas. Es difícil comparar. Estamos hablando de clasificación normal o regresión. En este caso parece una ley universal.
Son otras arquitecturas, pasteles de capas. Es difícil comparar. Estamos hablando de clasificación ordinaria o regresión. En este caso, parece una ley universal.
----------------------------------------------------------------------
Oh, lo recuerdo, se llama bolsa de palabras.
¿Qué es nuevo, desconocido, incomprensible, complicado?
La misma tabla de signos + cualquier MO
Esto es trabajar con datos no estructurados (texto) luego lo traducimos en una estructura de bolsa de palabras y luego cualquier otra cosa que queramos
Es todo lo mismo.
----------------------------------------------------------------------
Ah, ya me acuerdo, se llama bolsa de palabras.
¿Qué es nuevo, desconocido, incomprensible, complicado?
La misma tabla de signos + cualquier MO
Esto es trabajar con datos no estructurados (texto) luego lo traducimos en una estructura de bolsa de palabras y luego cualquier otra cosa que queramos
Eso es harina de otro costal. No importa cómo se transformen, la dimensionalidad del vector de entrada debe ser inferior al umbral especificado, de lo contrario no se puede detectar un patrón. Los categóricos probablemente tienen un límite mayor en la longitud del vector. Además, hay que tener en cuenta la dependencia del número de filas. En datos enormes, el número de características puede ser mayor.
Que diferente)))
Pues haz como el resto del mundo. Ese es el tipo de respuestas que obtendrás.