Stavi parlando di reti generative e autocodificatori. Ho provato le versioni classiche, sono peggiori. Ho già scritto in questo thread prima e ho caricato il codice su pythorch credo.
in kolab correva l'ultimo. Hai bisogno di fumare la funzionalità del modello sul git, puoi semplicemente copiare il modulo python. Altrimenti non è chiaro come funziona, non c'è una descrizione nel manuale.
l'ultimo corre nel colabrodo. Hai bisogno di leggere la funzionalità del modello sul git, puoi semplicemente copiare il modulo python. Altrimenti non è chiaro come funziona, non c'è una descrizione nel manuale.
from sdv.timeseries import PAR
pr_c = pr.copy()
X = pr_c[pr_c.columns[1:]]
sdv = PAR.fit(X)
Arrivato al fit, poi l'errore: fit() manca 1 argomento posizionale richiesto: 'timeseries_data'
Penso di aver bisogno di un altro formato per alimentare le serie temporali
Consenti l'uso dei cookie per accedere al sito MQL5.com.
Abilita le impostazioni necessarie nel browser, altrimenti non sarà possibile accedere.
Hai effettuato l'accesso. L'autenticazione a due fattori è stata disattivata. Configurala di nuovo e scansiona un nuovo codice QR, oppure continua con l'autenticazione a due fattori disattivata.
Anche MLPClassifier non è adatto a questo compito?
Esiste un metodo per stimare la probabilità a quale classe appartiene il campione.
https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.htmlSi tratta di modelli diversi. GMM è usato per stimare la densità di probabilità e il campionamento dei campioni, mentre il classificatore classifica
Sembra che tu voglia sostituire CatBoost con una rete neurale. Ma non ha molto senso.
Si tratta di modelli diversi. GMM è usato per stimare la densità di probabilità e il campionamento degli esempi, mentre il classificatore classifica
Sembra che tu voglia sostituire CatBoost con una rete neurale. Ma questo non ha molto senso.
lì scrivi che una rete neurale è più adatta di GMM
https://www.mql5.com/ru/forum/356331#comment_19373237
lì scrivi che la rete neurale è più adatta di GMM
https://www.mql5.com/ru/forum/356331#comment_19373237
Stavi parlando di reti generative e autocodificatori. Ho provato le versioni classiche, sono peggiori. Ho già scritto in questo thread prima e ho caricato il codice su pythorch credo.
lì scrivi che la rete neurale è più adatta di GMM
https://www.mql5.com/ru/forum/356331#comment_19373237
Date un'occhiata a questo modellohttps://sdv.dev/SDV/user_guides/timeseries/par.html
Non l'ho provato io stesso, ho bisogno di generare e visualizzare
Ho capito che il modello è in sviluppo attivo, puoi comunicare direttamente con gli sviluppatori
+ inviato un nuovo articolo per il test, con nuove idee
Grazie.
Grazie.
Non sto installando la bibla, molti errori. Probabilmente non è una versione aggiornata.
Tira qualche versione di nampai che non si installa sul mio computer o su google colab
Reinstallare nampai in colab ha funzionato.
Una specie di mostri scrivono queste librerie.
Tira qualche versione di Nampai che non si installa su un computer o google colab
Questa versione 0.5.0 va bene.
https://pypi.org/project/sdv/0.5.0
questa versione 0.5.0 va bene.
https://pypi.org/project/sdv/0.5.0
in kolab correva l'ultimo. Hai bisogno di fumare la funzionalità del modello sul git, puoi semplicemente copiare il modulo python. Altrimenti non è chiaro come funziona, non c'è una descrizione nel manuale.
Non riesco a trovare nulla al riguardo.
l'ultimo corre nel colabrodo. Hai bisogno di leggere la funzionalità del modello sul git, puoi semplicemente copiare il modulo python. Altrimenti non è chiaro come funziona, non c'è una descrizione nel manuale.
pr_c = pr.copy() X = pr_c[pr_c.columns[1:]] sdv = PAR.fit(X)Arrivato al fit, poi l'errore: fit() manca 1 argomento posizionale richiesto: 'timeseries_data'
Penso di aver bisogno di un altro formato per alimentare le serie temporali
https://sdv.dev/SDV/user_guides/timeseries/par.html