Authors: Jan Ittner, Konstantin Hemker & Malo Grisard Rapid advances in artificial intelligence (AI) technologies equip us with an ever-evolving toolset to analyze even the most complex real-world business problems and processes. State-of-the art machine learning algorithms allow decision makers to accurately predict business-critical outcomes...
面白いですね、もちろん - AUDNZD = AUD/USD / NZD/USDの相関を見つけるのは、NSにとってあまりにも難しい作業です。
パッケージの不具合もあるかもしれませんが
掛け算の表と同様に、もっといろいろな例を挙げるべきでしょう。
森の掛け算の場合は、単純に 最も近い学習例の平均 値（例えば500）になります。正確な計算式は決して見つからない。
学習例が2つ、森の木が2つの場合の例。
トレーニング済み
6*4=24
6*7=42
という問いかけをモデルにすると
6*6
彼女は最も近い
6*4=24
6*7=42
そして、計算されます。
(24+42)/2=66/2=33
6*5の場合も同じように答えます。
トレーニングで中間的な選択肢を増やすと、より正確な答えが得られる。
はい
))) で、何が欲しいんだ？
隠しレイヤーを追加する
))) で、何が欲しいんだ？
隠しレイヤーを追加する。
えっ、そんなに難しい課題なんですか？
))) で、何が欲しいんだ？
隠しレイヤーを追加する。
。
そのため、10層で99%になることはまずないでしょう
そんなに難しい課題なのでしょうか？
どの出力層の活性化関数を使えば一番良い結果になるのか？
出力ニューロンはいくつですか？
えっ、そんなに複雑な作業なんですか？
いや、1層はプリミティブで、1重の掛け算に過ぎないんです。
このような単純な問題であれば、理論的には1層で十分です。
。
だから、10層で99％というのはありえない。
それはあなたの理論でしょう。
このような単純なタスクでは、理論的には1層で十分です。
。
そのため、10層で99％の精度が出るとは考えにくいです
もし，重み（と活性化関数）を手動で設定することで100%の精度で問題を解くことができるのであれば，必要最低限の層とニューロン数があることになります．
この課題もその一つなのでしょう。
機能の重要性と連動した新しい機能
暇なときにでも試してみることにしよう
https://medium.com/bcggamma/gamma-facet-a-new-approach-for-universal-explanations-of-machine-learning-models-b566877e7812