ニューラルネットと入力 - ページ 37

新しいコメント
 

読ませていただくと、ハートレーの変身がかなりお好きなようですね。なぜだろう？あなたの好みについてはコメントできませんが、非常に複雑だと思います。シリーズをトレンドとシーズンに分解 し、それぞれについて個別に予測を行い、その合計をチャートに返すという方法が簡単だと思います。

IMHO

ニューラルネットワークやニューラルネットワークのアンサンブルは、特に非定常系列の予測には最適なモデルではないことは、すでに前述しました。

現在では、より効率的なモデルもあります。

系列の将来の値を予測すること（回帰）は、魅力的ではあるが、ありがたいことである。目に見える結果が出ないまま、多くの時間を費やしてしまったのです。

今は分類だけですが、結果は上々です。

頑張ってください。

 
vlad1949:

読ませていただくと、ハートレーの変身がかなりお好きなようですね。なぜだろう？

今は分類だけで、結果は上々です。



特にハートレーにこだわりはなく、虚数成分がない方が使いやすいと思い選びました。

分類は力です。分類を使って、学習用データベースをいくつかのパートに分け、それぞれのパートにクラスを持たせようと考えています。

今回の実験では、予測の精度を上げるためにニューラルネットワークのアンサンブルを使いましたが、今後は、分類された学習ベースに対してアンサンブルを使った学習をしようと思っています。

ご興味をお持ちいただき、ありがとうございます。

 

あなたのスレッドで回答しました。

"排泄 物におけるニューラルネットワークアンサンブルの応用......" 誤字？

グッドラック

 
修正しました。
 
vlad1949:
いや、DT、mlp、svmよりEnsembleの方がいい。次にRFとadaの数値が示されていますが、こちらの方が良いですね。

わかりやすくするために、もっとシンプルにしたほうがいいかもしれませんね......。...古典的な
フィッシャーの アイリスと言って見ましょう...。+ おおよその計算時間...(セトーサ = 1,virginica = 0,versicolor = -1 (他の値も可能です))1画面で色＝入力...黒＝タッチ（アイリスビュー）...次へ...。全ての画面で青色＝痛い...ピンク色＝モデル出力... 。



50％グラフ＝オブサンプリング...50％＝テストサンプリング...。


ファイル:
smzeq_ayvfxd_s4.zip  1 kb
 
kk
15x15=2〜3秒


20x20=3〜4秒

Mbs (bl neighbor method)=1秒以下


 
Ns (ニューラルネットワーク-Skr層))

3x-sec(4-2-1)=20秒以上



ここからが面白いのですが...。
チャタリングが0になっているのがわかります（この例では、簡単な操作（フィルター）で取り除くことができます）。
を重くしないようにするため)
おそらく、あなたにも同じようなことが起こるでしょう...。ということは、もっと悪い誤差の計算があるのでは？
RのAssignment Ratioがどのようなもので、どのように計算されているのかがわかりませんので、間違っているかもしれませんが...。

より重いns...
3x scrsl (8-4-2)=30秒以上
より良いカット...

などなど・・・。


======================

結論から言うと...

1.分類問題は、異なるアルゴリズムで同じようにうまく解くことが可能である。
2.問題解決時間は、適用されたアルゴリズムに依存する

3.データを真正面から分類するには、特別に開発されたアルゴリズムを使用するのが良い...

 
Vizard:

もっとシンプルなもので説明したほうがいいかもしれませんね...。
...古典的なフィッシャーのアイリスと言って見ましょう...。+ おおよその計算時間...
(セトーサ = 1,virginica = 0,versicolor = -1 (他の値も可能です))
1画面で色＝入力...黒＝タッチ（アイリスビュー）...次へ...。
すべての画面において、青色＝タッチ...ピンク色＝モデル出力...です。

50％グラフ＝客観的サンプリング...50％＝テスト...。



さあ、どうぞ。アヤメを分類してみようか？私たちのテーマに関する具体的なデータを取り上げて、例を挙げてみましょう。

なぜ、花菖蒲で運動する必要があるのか？他の人がプッシーで練習するように。

手法の是非を論じるのは、ありがたいことです。人それぞれ、好みがありますからね。私が手法を選択する際には、様々な入力データ（数値、名目とも）に対して予備的な変換を することなく動作すること、という単純な前提で進めています。 その理由を説明しよう。入力データの前処理方法は非常に多く（私は20以上知っています）。そして、それ次第でさまざまな結果が得られるのです。そこで、最適な入力データのセット、これらのデータを準備する最適な方法、そしてあらゆる基準で最良の結果を与える最適な方法を選択する必要がある。そして、最初と最後を取り除くことができないなら、少なくとも2番目は取り除かなければならないのです。

精度の基準についてですが、あるクラスの事例が正しく分類された割合で、同じクラスの事例の総数に対する割合です。

グッドラック

 
vlad1949:


個人的には、手法を選択する際に、「異なる入力データ（数値と名目の両方）に対して、事前変換 なしで動作すること」という単純な前提からスタートします。 その理由を説明しよう。入力データの前処理方法は非常に多く（私は20以上知っています）。そして、それ次第でさまざまな結果が得られるのです。そこで、最適な入力データのセット、これらのデータを準備する最適な方法、そしてあらゆる基準で最良の結果を与える最適な方法を選択する必要がある。そして、最初と最後が無理なら、せめて2番目は捨てなければ ならない。

あなたは「怖い人」です )))
このアプローチにはい...ランダムフォレストでも いいんだけど...。
グッドラック
 
Vizard:
あなたは「怖い人」です ))))
この方法なら......ランダムウッドでもいいんですけどね......。
グッドラック


ひょっとして、RandomForestのことではありませんか？
1...303132333435363738394041
新しいコメント