"많은 과학자들이 통계 분석에서 변수의 정상 또는 비정상을 우려합니다. 다음과 유사한 의견이 종종 표현, 출판 또는 가르쳐집니다.
" 통계를 유지하려면 모든 것이 정규 분포를 따라야 합니다. ".
" 정규성 가정에 맞게 데이터를 정규화했습니다. ".
" 데이터가 심하게 치우쳤기 때문에 데이터를 로그로 변환했습니다. ".
" 모델을 피팅한 후 잔차의 등분산성을 테스트했습니다. ".
" 데이터가 정규성 가정에 맞지 않기 때문에 비모수 테스트를 사용했습니다. ".
데이터 정규화, 정규 분포 및 추가 작업에 대한 네트워크의 요구 사항으로 인해. 설정 - 나무와 같은 시스템으로 전환되었습니다. 그들은 데이터를 있는 그대로 기억할 것입니다.
그리고 AI(일반인을 위한 기사 중 하나에서)를 신경망이나 나무를 기반으로 하는 데이터베이스로 명명한 후, 나는 그것을 하나의 셀(시트)에 매우 유사한 여러 줄을 저장할 수 있는 데이터베이스, 즉 . 동시에 일반화한다. 트리를 마지막 예제까지 나눌 때 셀에는 일반화 없이 동일한 행만 포함됩니다. 깨끗한 데이터베이스를 얻을 수 있습니다. 아직 일반화해야 하므로 잎의 분할을 일찍 중지합니다.
이 패키지가 이 코드를 변경하지 않고도 내 코드의 속도를 높일 수 있다면 매우 흥미로울 것입니다. 작업 예제를 제공하십시오.
패키지에 많은 예제가 있습니다. 찾을 수 없습니까? 내가 가져올 것이다
> # A generator statement creates a generator factory. The
> # following generator yields two times and then returns ` "c" `:
> generate_abc <- generator(function() {
+ yield( "a" )
+ yield( "b" )
+ "c"
+ })
>
> # Or equivalently:
> generate_abc <- generator(function() {
+ for (x in letters[ 1 : 3 ]) {
+ yield(x)
+ }
+ })
>
> # The factory creates generator instances. They are iterators
> # that you can call successively to obtain new values:
> abc <- generate_abc()
> abc()
[ 1 ] "a"
> abc()
[ 1 ] "b"
>
> # Once a generator has returned it keeps returning `exhausted()`.
> # This signals to its caller that new values can no longer be
> # produced. The generator is exhausted:
> abc()
[ 1 ] "c"
> abc()
exhausted
>
> # You can only exhaust a generator once but you can always create
> # new ones from a factory:
> abc <- generate_abc()
> abc()
[ 1 ] "a"
>
>
> # As generators implement the coro iteration protocol, you can use
> # coro tools like `loop()`. It makes it possible to loop over
> # iterators with ` for ` expressions:
> loop( for (x in abc) print(x))
[ 1 ] "b"
[ 1 ] "c"
>
> # To gather values of an iterator in a list, use `collect()`. Pass
> # the `n` argument to collect that number of elements from a
> # generator:
> abc <- generate_abc()
> collect(abc, 1 )
[[ 1 ]]
[ 1 ] "a"
>
> # Or drain all remaining elements:
> collect(abc)
[[ 1 ]]
[ 1 ] "b"
[[ 2 ]]
[ 1 ] "c"
>
>
> # coro provides a short syntax `gen()` for creating one-off
> # generator _instances_. It is handy to adapt existing iterators:
> numbers <- 1 : 10
> odds <- gen( for (x in numbers) if (x %% 2 != 0 ) yield(x))
> squares <- gen( for (x in odds) yield(x^ 2 ))
> greetings <- gen( for (x in squares) yield(paste( "Hey" , x)))
>
> collect(greetings)
[[ 1 ]]
[ 1 ] "Hey 1"
[[ 2 ]]
[ 1 ] "Hey 9"
[[ 3 ]]
[ 1 ] "Hey 25"
[[ 4 ]]
[ 1 ] "Hey 49"
[[ 5 ]]
[ 1 ] "Hey 81"
>
>
> # Arguments passed to generator instances are returned from the
> # `yield()` statement on reentry:
> new_tally <- generator(function() {
+ count <- 0
+ while (TRUE) {
+ i <- yield(count)
+ count <- count + i
+ }
+ })
> tally <- new_tally()
> tally( 1 )
[ 1 ] 0
> tally( 2 )
[ 1 ] 2
> tally( 10 )
[ 1 ] 12
나는 우연히 나를 위해 놀라운 진술을 하는 기사를 읽었다. 예측 변수, 반응 및 잔차: 정규 분포에 실제로 필요한 것은 무엇입니까?
선형 회귀에 대한 구절은 저자를 orver/matstat에 익숙하지 않은 사람으로 배신합니다. 표준 LR 가정은 입력이 결정적(예: 시간)이고 출력 분포가 노이즈 분포에 의존한다는 것입니다(각 출력은 입력에 따라 다른 것과는 다른 고유한 예상 값을 가집니다).
또 다른 옵션 - 입력 및 출력이 일부 공동 분포에서 가져온 경우 선형 회귀 모델의 적용 가능성에 대한 조건은 훨씬 더 어렵습니다. JOINT(적어도 2차원) 분포는 정상이어야 합니다. 이 가정이 없으면 다국적 기업을 잊을 수 있습니다.
나는 우연히 나를 위해 놀라운 진술을 하는 기사를 읽었다. 예측 변수, 반응 및 잔차: 정규 분포에 실제로 필요한 것은 무엇입니까?
몇 가지 인용문:
"많은 과학자들이 통계 분석에서 변수의 정상 또는 비정상을 우려합니다. 다음과 유사한 의견이 종종 표현, 출판 또는 가르쳐집니다.
데이터 정규화, 정규 분포 및 추가 작업에 대한 네트워크의 요구 사항으로 인해. 설정 - 나무와 같은 시스템으로 전환되었습니다. 그들은 데이터를 있는 그대로 기억할 것입니다.
그리고 AI(일반인을 위한 기사 중 하나에서)를 신경망이나 나무를 기반으로 하는 데이터베이스로 명명한 후, 나는 그것을 하나의 셀(시트)에 매우 유사한 여러 줄을 저장할 수 있는 데이터베이스, 즉 . 동시에 일반화한다. 트리를 마지막 예제까지 나눌 때 셀에는 일반화 없이 동일한 행만 포함됩니다. 깨끗한 데이터베이스를 얻을 수 있습니다. 아직 일반화해야 하므로 잎의 분할을 일찍 중지합니다.
그것은 인쇄 에 관한 것이 아니라 제너레이터와 반복자에 관한 것입니다.
블라디미르! #23667 에 대해 설명해 주시겠습니까?
이 패키지가 이 코드를 변경하지 않고도 내 코드의 속도를 높일 수 있다면 매우 흥미로울 것입니다. 작업 예제를 제공하십시오.
블라디미르! #23667 에 대해 설명해 주시겠습니까?
이 패키지가 이 코드를 변경하지 않고도 내 코드의 속도를 높일 수 있다면 매우 흥미로울 것입니다. 작업 예제를 제공하십시오.
패키지에 많은 예제가 있습니다. 찾을 수 없습니까? 내가 가져올 것이다
그것은 인쇄 에 관한 것이 아니라 제너레이터와 반복자에 관한 것입니다.
절대 안돼? ))
향후 ML 기반 페어 트레이딩 에 대한 새로운 기사를 게시할 예정인가요?
향후 ML 기반 페어 트레이딩 에 대한 새로운 기사를 게시할 예정인가요?
네, 아직 시간이 없었습니다. 기사는 계획을 생각하고 프로그래밍하는 데 많은 시간이 필요합니다.
네, 아직 시간이 없었습니다. 기사는 계획을 생각하고 프로그래밍하는 데 많은 시간이 필요합니다.
그런 다음 이 전략을 사용하여 Python에서 직접 주문을 여는 기사에 스크립트 자체를 추가할 수 있습니까?
그런 다음 이 전략을 사용하여 Python에서 직접 주문을 여는 기사에 스크립트 자체를 추가할 수 있습니까?
예, 할 수 있습니다. 하지만 고문의 형태로 더 편리합니다.
예, 할 수 있습니다. 하지만 고문의 형태로 더 편리합니다.