記事についてのディスカッション - ページ 8 123456789101112131415 新しいコメント Forester 2020.11.24 19:01 #71 Valeriy Yastremskiy:どうやら私たちはランダムブーストについて異なる考えを持っているようだ。決定的な木、それはランダムな集合から選択された特徴のことだ。ポイントは、集合はランダムだが、悪いもの良いものへの選択／クラスタリングは元々あったということだ。針を投げて角度を測り、πの数を計算するようなものだ)ウィキより 与えられたサブサンプルのサンプルを分類する決定木を 構築し、木の次のノードを作成する間に、パーティショニングが実行されるベースとなる特徴のセットを選択します（すべてのM個の 特徴からではなく 、 ランダムに 選択されたm個の 特徴からのみ）。このm個の 特徴から 最適なものを選ぶには、さまざまな方法がある。オリジナルのBreimanコードは、CART 決定木アルゴリズムでも使用されるジニ基準を 使用します。このアルゴリズムのいくつかの実装は、代わりに情報利得基準を 使用する。[3] 理解できない。 私はランダムフォレストについて話していました。 Forester 2020.11.24 19:05 #72 Maxim Dmitrievsky:そう、たくさんの木があるけれど、それぞれの木は異なる特性について最適な訓練をしようとしている。これは、複数の森（悪い森も含む）をひとくくりにする こととは違います ランダムフォレストでは、木は平均化される。 しかし、同じ属性に基づくケースフォレストを組み合わせることは、ツリー数＝組み合わせるすべてのフォレストのツリー数を持つ1つのフォレストと等価である。唯一の違いは、HCSの初期化が異なることである。 Maxim Dmitrievsky 2020.11.24 19:08 #73 elibrarius: ケースフォレスト内の木は平均化される。しかし、同じ特徴に基づくケースフォレストのマージは、ツリー数＝マージされたすべてのフォレストのツリー数で、1つのフォレストと等しい。唯一の違いはHCSの初期化の違いである。 違いは、枝刈りをしない各樹木はデータセットを完全に記憶することができ、それが再学習を引き起こすことである。木のアンサンブルは、ある程度の平均化が行われるため、オーバートレーニングにはならない。しかし、それぞれの木は単独で優れている。 分類器を群生させると、話は違ってくる。悪い分類器による平均化は、全体の結果を悪化させる。 Forester 2020.11.24 19:17 #74 Maxim Dmitrievsky:違いは、刈り込みを行わないすべての木がデータセットを完全に記憶することができ、それが再学習を引き起こすことである。木のアンサンブルは、ある程度の平均化が起こるため、過学習に対抗できる。しかし、それぞれの木は単独で優れている。分類器を群生させると、話は違ってくる。悪い分類器による平均化は、全体の結果を悪化させる。 枝刈りの他に、深さと葉の中の例の数に制限がある。 単一のツリーも分類器です。 試験サンプルの平均と最高の結果を比較する時間を見つけてほしい。理論的な議論をするためではなく、実践によって一つの変種を確認するためです。 Valeriy Yastremskiy 2020.11.24 19:29 #75 elibrarius: 理解できない。 ランダムフォレストのことです。 失礼しました。もちろんフォレストです。ちなみに、これは1986年にfortran 77（op付き）で初めて実装されたもので、ここの人たちがまだfortran 4（opなし）を学んでいた頃です。 しかし、ポイントは変わらない。最良の特徴、樹木をアンサンブルでサンプリングすることで、結果は改善される。しかし同時に、良い悪いセットへのクラスタリングは、特徴量のフルセットではなく、ランダムなセットから実行されるため、必要なリソースが削減され、同時に、練習が示すように、結果が大幅に悪化することはありません。 Maxim Dmitrievsky 2020.11.24 19:29 #76 elibrarius:剪定に加え、深さの制限と1シートあたりの例数の制限がある。1つの木は分類器でもある。時間を見つけて、試験サンプルの平均と最高の結果を比較してほしい。理論的に議論するためではなく、実践によって変種の一つを確認するためである。 学習済み20モデル Iteration: 0 R^2: 0.8235250920362135 Iteration: 1 R^2: 0.6105081195352418 Iteration: 2 R^2: 0.5999893279334669 Iteration: 3 R^2: 0.7034867465493326 Iteration: 4 R^2: 0.49771677587528107 Iteration: 5 R^2: 0.8190243407873834 Iteration: 6 R^2: 0.9160173823652586 Iteration: 7 R^2: 0.809572709204347 Iteration: 8 R^2: 0.8537940261267768 Iteration: 9 R^2: 0.7244418893207643 Iteration: 10 R^2: 0.8809333905804972 Iteration: 11 R^2: 0.7920488879746739 Iteration: 12 R^2: 0.8377299883565552 Iteration: 13 R^2: 0.8667892348319326 Iteration: 14 R^2: 0.6321639879122785 Iteration: 15 R^2: 0.7561855032577106 Iteration: 16 R^2: 0.4121119648365902 Iteration: 17 R^2: 0.7421029264382919 Iteration: 18 R^2: 0.836331050771787 Iteration: 19 R^2: 0.7477743928781102 ベスト 20個すべて Maxim Dmitrievsky 2020.11.24 19:35 #77 50モデル Maxim Dmitrievsky 2020.11.24 19:37 #78 100モデル ベスト すべて Maxim Dmitrievsky 2020.11.24 19:40 #79 もう一度、50モデルで： Iteration: 0 R^2: 0.797041035933919 Iteration: 1 R^2: 0.6824496839528826 Iteration: 2 R^2: -0.10034902026957526 Iteration: 3 R^2: 0.328548941268331 Iteration: 4 R^2: 0.057993335625261544 Iteration: 5 R^2: 0.43595119223755463 Iteration: 6 R^2: -0.1461644857089356 Iteration: 7 R^2: -0.9017316279265075 Iteration: 8 R^2: 0.0031339532771327283 Iteration: 9 R^2: -0.6090350854501592 Iteration: 10 R^2: -0.7554715262958651 Iteration: 11 R^2: 0.8889548573023011 Iteration: 12 R^2: -0.6851507097155135 Iteration: 13 R^2: -0.042098743896817226 Iteration: 14 R^2: 0.22006019984338276 Iteration: 15 R^2: -0.4950383969975669 Iteration: 16 R^2: 0.2773014537990013 Iteration: 17 R^2: 0.4472756948107278 Iteration: 18 R^2: 0.3842534295398661 Iteration: 19 R^2: -0.06660146376162235 Iteration: 20 R^2: -0.13214701476491186 Iteration: 21 R^2: -0.014549407007194204 Iteration: 22 R^2: 0.11446106552499291 Iteration: 23 R^2: 0.28201359760085487 Iteration: 24 R^2: -0.32881820516653015 Iteration: 25 R^2: -0.11531960758010862 Iteration: 26 R^2: -0.22343090109420405 Iteration: 27 R^2: -0.2359542081469308 Iteration: 28 R^2: -0.2601186685105703 Iteration: 29 R^2: 0.7814611177095688 Iteration: 30 R^2: -0.25351714267240644 Iteration: 31 R^2: 0.23253274050003103 Iteration: 32 R^2: -0.06336213642832789 Iteration: 33 R^2: 0.8253438383511618 Iteration: 34 R^2: 0.2634214576140671 Iteration: 35 R^2: 0.1234251060806747 Iteration: 36 R^2: 0.5421316161448162 Iteration: 37 R^2: 0.2050233417898205 Iteration: 38 R^2: 0.4735349758266585 Iteration: 39 R^2: -0.3067801197806268 Iteration: 40 R^2: 0.578989248941286 Iteration: 41 R^2: 0.2660816711693378 Iteration: 42 R^2: 0.19419203781618766 Iteration: 43 R^2: -0.5900063179871913 Iteration: 44 R^2: -0.4341693524447342 Iteration: 45 R^2: 0.593129434935225 Iteration: 46 R^2: -0.6595885008415516 Iteration: 47 R^2: -0.41482641919393526 Iteration: 48 R^2: 0.27611537596461266 Iteration: 49 R^2: 0.2459498592107655 ベスト 平均 Maxim Dmitrievsky 2020.11.24 19:42 #80 もう一度言う。 123456789101112131415 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか？ Googleでログイン
どうやら私たちはランダムブーストについて異なる考えを持っているようだ。決定的な木、それはランダムな集合から選択された特徴のことだ。ポイントは、集合はランダムだが、悪いもの良いものへの選択／クラスタリングは元々あったということだ。針を投げて角度を測り、πの数を計算するようなものだ)
ウィキより
私はランダムフォレストについて話していました。
そう、たくさんの木があるけれど、それぞれの木は異なる特性について最適な訓練をしようとしている。これは、複数の森（悪い森も含む）をひとくくりにする こととは違います
しかし、同じ属性に基づくケースフォレストを組み合わせることは、ツリー数＝組み合わせるすべてのフォレストのツリー数を持つ1つのフォレストと等価である。唯一の違いは、HCSの初期化が異なることである。
ケースフォレスト内の木は平均化される。しかし、同じ特徴に基づくケースフォレストのマージは、ツリー数＝マージされたすべてのフォレストのツリー数で、1つのフォレストと等しい。唯一の違いはHCSの初期化の違いである。
違いは、枝刈りをしない各樹木はデータセットを完全に記憶することができ、それが再学習を引き起こすことである。木のアンサンブルは、ある程度の平均化が行われるため、オーバートレーニングにはならない。しかし、それぞれの木は単独で優れている。
分類器を群生させると、話は違ってくる。悪い分類器による平均化は、全体の結果を悪化させる。
違いは、刈り込みを行わないすべての木がデータセットを完全に記憶することができ、それが再学習を引き起こすことである。木のアンサンブルは、ある程度の平均化が起こるため、過学習に対抗できる。しかし、それぞれの木は単独で優れている。
分類器を群生させると、話は違ってくる。悪い分類器による平均化は、全体の結果を悪化させる。
枝刈りの他に、深さと葉の中の例の数に制限がある。
単一のツリーも分類器です。
試験サンプルの平均と最高の結果を比較する時間を見つけてほしい。理論的な議論をするためではなく、実践によって一つの変種を確認するためです。
理解できない。 ランダムフォレストのことです。
失礼しました。もちろんフォレストです。ちなみに、これは1986年にfortran 77（op付き）で初めて実装されたもので、ここの人たちがまだfortran 4（opなし）を学んでいた頃です。
しかし、ポイントは変わらない。最良の特徴、樹木をアンサンブルでサンプリングすることで、結果は改善される。しかし同時に、良い悪いセットへのクラスタリングは、特徴量のフルセットではなく、ランダムなセットから実行されるため、必要なリソースが削減され、同時に、練習が示すように、結果が大幅に悪化することはありません。
剪定に加え、深さの制限と1シートあたりの例数の制限がある。
1つの木は分類器でもある。
時間を見つけて、試験サンプルの平均と最高の結果を比較してほしい。理論的に議論するためではなく、実践によって変種の一つを確認するためである。
学習済み20モデル
ベスト
20個すべて
50モデル
100モデル
ベスト
すべて
もう一度、50モデルで：
ベスト
平均
もう一度言う。