약간 잘못되었습니다. 예를 들어 train[2000, ] 및 test[500, ]가 있습니다. 초기 샘플 가중치 = 1.0으로 기차에서 훈련하고, test[]가 훈련된 모델을 예측하도록 합니다. 각 테스트 예제의 예측 변수의 품질에 따라 가중치를 설정합니다. 다음으로, 훈련과 테스트를 결합하고 새로운 훈련 세트를 형성하고, 모델을 훈련하고, 테스트하는 등의 작업을 수행합니다. 전체 학습 샘플이 이러한 방식으로 얻은 가중치를 가질 때까지. 오래된 막대에 감소 계수를 적용하는 것이 가능하지만 나는 이것을 테스트하지 않았습니다. 물론 이 모든 것은 분류를 위한 것입니다.
ELM으로 테스트한 결과 좋은 결과를 얻었습니다.
행운을 빕니다
나는 이것이 어떻게 새로운 데이터에 대한 모델의 성능을 향상시킬 수 있는지 잘 이해하지 못합니다.
예를 들어, 클래스가 올바르게 정의되지 않은 경우 가중치를 낮추는 것을 극단적인 옵션 0으로 설정합니다. 따라서. 후속 교육 동안 이것은 샘플에서 이러한 라인을 버리는 것과 같으며 100%의 정확도로 기차에서 모든 것이 정상일 것이며, 원으로 표시된 테스트에서도 모든 것이 정상일 것입니다. 그러나 완전히 새로운 데이터에서는 선을 버릴 수 없으며 이미 모델이 실제로 할 수 있는 것이 있을 것입니다.
나는 이것이 어떻게 새로운 데이터에 대한 모델의 성능을 향상시킬 수 있는지 잘 이해하지 못합니다.
예를 들어, 클래스가 올바르게 정의되지 않은 경우 가중치를 낮추는 것을 극단적인 옵션 0으로 설정합니다. 따라서. 후속 교육 동안 이것은 샘플에서 이러한 라인을 버리는 것과 같으며 100%의 정확도로 기차에서 모든 것이 정상일 것이며, 원으로 표시된 테스트에서도 모든 것이 정상일 것입니다. 그러나 완전히 새로운 데이터에서는 선을 버릴 수 없으며 이미 모델이 실제로 할 수 있는 것이 있을 것입니다.
아니면 반대로 잘못된 예에 대해 가중치를 높였습니까?
물론 "나쁜" 예에 대해서는 반대 투표를 하십시오. 레이즈하면 - 이것은 고전적인 부스팅입니다.
실험하고 확인하십시오.
지금은 그렇게 하지 않습니다. 훈련 전에 전처리할 때 노이즈 샘플을 제거하거나 분리합니다.
전체 샘플의 10% 미만에 대한 교육이 샘플의 증가로 인해 개선되지 않아야 하는 이유는 무엇입니까?
왜 5천 이상? 그는 그들에게서 배우지 않을 것이며 더 이상 배우지 않을 것입니다.
전체 샘플의 10% 미만에 대한 교육이 샘플의 증가로 인해 개선되지 않아야 하는 이유는 무엇입니까?
그리고 재훈련된 시스템은 어떻습니까? 그것이 어떤 결과를 가져올 것이라고 생각하십니까?
그리고 재훈련된 시스템은 어떻습니까? 그것이 어떤 결과를 가져올 것이라고 생각하십니까?
표본이 클수록 모형을 모형에 맞추는 것이 더 어려워지고 계획에는 더 많은 잎/나무가 필요합니다.
x의 경우 - 거래 번호, y의 경우 - 이익 금액(포인트).
4자리인가요 5자리인가요?
4자리인가요 5자리인가요?
전혀 신호가 아닙니다.
그리고 그것은 무엇을 의미합니까 - 이익의 양은 포인트입니까?
약간 잘못되었습니다. 예를 들어 train[2000, ] 및 test[500, ]가 있습니다. 초기 샘플 가중치 = 1.0으로 기차에서 훈련하고, test[]가 훈련된 모델을 예측하도록 합니다. 각 테스트 예제의 예측 변수의 품질에 따라 가중치를 설정합니다. 다음으로, 훈련과 테스트를 결합하고 새로운 훈련 세트를 형성하고, 모델을 훈련하고, 테스트하는 등의 작업을 수행합니다. 전체 학습 샘플이 이러한 방식으로 얻은 가중치를 가질 때까지. 오래된 막대에 감소 계수를 적용하는 것이 가능하지만 나는 이것을 테스트하지 않았습니다. 물론 이 모든 것은 분류를 위한 것입니다.
ELM으로 테스트한 결과 좋은 결과를 얻었습니다.
행운을 빕니다
나는 이것이 어떻게 새로운 데이터에 대한 모델의 성능을 향상시킬 수 있는지 잘 이해하지 못합니다.
예를 들어, 클래스가 올바르게 정의되지 않은 경우 가중치를 낮추는 것을 극단적인 옵션 0으로 설정합니다. 따라서. 후속 교육 동안 이것은 샘플에서 이러한 라인을 버리는 것과 같으며 100%의 정확도로 기차에서 모든 것이 정상일 것이며, 원으로 표시된 테스트에서도 모든 것이 정상일 것입니다. 그러나 완전히 새로운 데이터에서는 선을 버릴 수 없으며 이미 모델이 실제로 할 수 있는 것이 있을 것입니다.
아니면 반대로 잘못된 예에 대해 가중치를 높였습니까?
나는 이것이 어떻게 새로운 데이터에 대한 모델의 성능을 향상시킬 수 있는지 잘 이해하지 못합니다.
예를 들어, 클래스가 올바르게 정의되지 않은 경우 가중치를 낮추는 것을 극단적인 옵션 0으로 설정합니다. 따라서. 후속 교육 동안 이것은 샘플에서 이러한 라인을 버리는 것과 같으며 100%의 정확도로 기차에서 모든 것이 정상일 것이며, 원으로 표시된 테스트에서도 모든 것이 정상일 것입니다. 그러나 완전히 새로운 데이터에서는 선을 버릴 수 없으며 이미 모델이 실제로 할 수 있는 것이 있을 것입니다.
아니면 반대로 잘못된 예에 대해 가중치를 높였습니까?
물론 "나쁜" 예에 대해서는 반대 투표를 하십시오. 레이즈하면 - 이것은 고전적인 부스팅입니다.
실험하고 확인하십시오.
지금은 그렇게 하지 않습니다. 훈련 전에 전처리할 때 노이즈 샘플을 제거하거나 분리합니다.
행운을 빕니다
왜 5천이 넘지? 그는 그들에게서 배우지 않을 것이며 더 이상 배우지 않을 것입니다.
이것은 어리석은 진술의 항문에 있습니다.
표본이 클수록 모형을 모형에 맞추는 것이 더 어려워지고 계획에는 더 많은 잎/나무가 필요합니다.
맞습니다(100k 미만은 일반적으로 노이즈)가 많을수록 좋지만 시장의 속성이 변경된다는 점과 훈련 시 이를 어떻게 고려해야 하는지는 큰 비밀입니다.