어떤 샘플 크기가 최적인지 말하기는 어렵습니다. 아마도 가우스 혼합물의 성분 수에 따라 달라질 것입니다. 노이즈가 많은 데이터 세트가 있는 너무 큰 샘플은 매우 유사한 샘플을 생성합니다. 즉, 자주 반복되는 예제의 가능성이 증가합니다. 가우스는 밀도와 생성을 추정하는 데 사용됩니다. 그래서 예가 아니라 아니요.
막심 드미트리예프스키 # : 어떤 샘플 크기가 최적인지 말하기는 어렵습니다. 아마도 가우스 혼합물의 성분 수에 따라 달라질 것입니다. 노이즈가 많은 데이터 세트가 있는 너무 큰 샘플은 매우 유사한 샘플을 생성합니다. 즉, 자주 반복되는 예제의 가능성이 증가합니다. 가우스는 밀도와 생성을 추정하는 데 사용됩니다. 그래서 예가 아니라 아니요.
고맙습니다. 아마도 내가 질문을 올바르게 하지 않았을 것입니다. 더 많은 샘플이 생성될수록 더 표준화된 샘플이 제공될 수 있다는 의미입니다.
고맙습니다. 아마도 내가 질문을 올바르게 하지 않았을 것입니다. 더 많은 샘플이 생성될수록 더 표준화된 샘플이 제공될 수 있다는 의미입니다.
샘플을 구성할 때 가능한 한 적은 수의 모순이 있어야 하는 것이 중요합니다. 그렇지 않으면 학습에 의미가 없습니다. 어떤 경우에는 입력 벡터의 값이 같을 때 목표 값이 1이고 다음 예에서 동일한 입력 벡터를 사용하면 목표 값이 0이라고 상상해 보십시오. 그러면 알고리즘은 어떻게 해야 합니까? 어떻게 대응할 것인가? 따라서 훈련 샘플의 증가는 모순의 증가로 이어지지 않는 경우에만 관련이 있습니다. 철학적 질문. 예를 들어, 100개의 교육 예제를 사용하여 M5에서 시장의 3개월을 다룹니다. 예로서...
Michael Marchukajtes # : 샘플을 구성할 때 가능한 한 적은 수의 모순이 있어야 하는 것이 중요합니다. 그렇지 않으면 학습에 의미가 없습니다 . 입력 벡터의 값이 같을 때 대상의 값이 1이고 다음 예에서 동일한 입력 벡터의 경우 대상의 값이 0인 경우를 상상해 보십시오 . 그러면 알고리즘은 무엇을 해야 합니까? 어떻게 대응할 것인가? 따라서 훈련 샘플의 증가는 모순의 증가로 이어지지 않는 경우에만 관련이 있습니다. 철학적 질문입니다. 예를 들어, 100개의 교육 예제를 사용하여 M5에서 시장의 3개월을 다룹니다. 예로서...
Michael Marchukajtes # : 샘플을 구성할 때 가능한 한 적은 수의 모순이 있어야 하는 것이 중요합니다. 그렇지 않으면 학습에 의미가 없습니다. 어떤 경우에는 입력 벡터의 값이 같을 때 목표 값이 1이고 다음 예에서 동일한 입력 벡터를 사용하면 목표 값이 0이라고 상상해 보십시오. 그러면 알고리즘은 어떻게 해야 합니까? 어떻게 대응할 것인가? 따라서 훈련 샘플의 증가는 모순의 증가로 이어지지 않는 경우에만 관련이 있습니다. 철학적 질문입니다. 예를 들어, 100개의 교육 예제를 사용하여 M5에서 시장의 3개월을 다룹니다. 예로서...
동일한 예가 여러 상태를 설명하는 경우 사용 가능한 알고리즘으로 분류할 때 n이 상태 수인 1/n에 가까운 확률을 얻을 수 있다는 점에 동의합니다.
그러나 절대적으로 유사한 예는 없으며 어느 정도 유사합니다. 문제는 이 "유사성"을 식별하는 방법입니다.
M5에서 3개월 동안 100개의 예... 흥미롭습니다... 교육을 받기 전에 거래할 때 사용하는 규칙에 따라 초기 샘플에서 샘플을 선택합니까?
제 생각에는 밸런싱보다 표준화의 효과가 더 많습니다. 또한 분포에서 샘플링하는 것은 과적합을 방지하는 데 도움이 됩니다.
정확하게 이해했습니다. 샘플이 많을수록 표시가 표준화에 더 가깝습니까?
정확하게 이해했습니다. 샘플이 많을수록 표시가 표준화에 더 가깝습니까?
어떤 샘플 크기가 최적인지 말하기는 어렵습니다. 아마도 가우스 혼합물의 성분 수에 따라 달라질 것입니다. 노이즈가 많은 데이터 세트가 있는 너무 큰 샘플은 매우 유사한 샘플을 생성합니다. 즉, 자주 반복되는 예제의 가능성이 증가합니다. 가우스는 밀도와 생성을 추정하는 데 사용됩니다. 그래서 예가 아니라 아니요.
고맙습니다. 아마도 내가 질문을 올바르게 하지 않았을 것입니다. 더 많은 샘플이 생성될수록 더 표준화된 샘플이 제공될 수 있다는 의미입니다.
고맙습니다. 아마도 질문을 올바르게 하지 않았을 것입니다. 더 많은 샘플이 생성될수록 더 표준화된 샘플이 제공될 수 있는지 여부를 의미했습니다.
고맙습니다. 아마도 내가 질문을 올바르게 하지 않았을 것입니다. 더 많은 샘플이 생성될수록 더 표준화된 샘플이 제공될 수 있다는 의미입니다.
샘플을 구성할 때 가능한 한 적은 수의 모순이 있어야 하는 것이 중요합니다. 그렇지 않으면 학습에 의미가 없습니다 . 입력 벡터의 값이 같을 때 대상의 값이 1이고 다음 예에서 동일한 입력 벡터의 경우 대상의 값이 0인 경우를 상상해 보십시오 . 그러면 알고리즘은 무엇을 해야 합니까? 어떻게 대응할 것인가? 따라서 훈련 샘플의 증가는 모순의 증가로 이어지지 않는 경우에만 관련이 있습니다. 철학적 질문입니다. 예를 들어, 100개의 교육 예제를 사용하여 M5에서 시장의 3개월을 다룹니다. 예로서...
당신은 당신이 쓴 것을 이해합니까?
Michael Marchukajtes # :
샘플을 구성할 때 가능한 한 적은 수의 모순이 있어야 하는 것이 중요합니다. 그렇지 않으면 학습에 의미가 없습니다. 어떤 경우에는 입력 벡터의 값이 같을 때 목표 값이 1이고 다음 예에서 동일한 입력 벡터를 사용하면 목표 값이 0이라고 상상해 보십시오. 그러면 알고리즘은 어떻게 해야 합니까? 어떻게 대응할 것인가? 따라서 훈련 샘플의 증가는 모순의 증가로 이어지지 않는 경우에만 관련이 있습니다. 철학적 질문입니다. 예를 들어, 100개의 교육 예제를 사용하여 M5에서 시장의 3개월을 다룹니다. 예로서...
동일한 예가 여러 상태를 설명하는 경우 사용 가능한 알고리즘으로 분류할 때 n이 상태 수인 1/n에 가까운 확률을 얻을 수 있다는 점에 동의합니다.
그러나 절대적으로 유사한 예는 없으며 어느 정도 유사합니다. 문제는 이 "유사성"을 식별하는 방법입니다.
M5에서 3개월 동안 100개의 예... 흥미롭습니다... 교육을 받기 전에 거래할 때 사용하는 규칙에 따라 초기 샘플에서 샘플을 선택합니까?
동일한 예가 여러 상태를 설명하는 경우 사용 가능한 알고리즘으로 분류할 때 n이 상태 수인 1/n에 가까운 확률을 얻을 수 있다는 점에 동의합니다.
그러나 절대적으로 유사한 예는 없으며 어느 정도 유사합니다. 문제는 이 "유사성"을 식별하는 방법입니다.
M5에서 3개월 동안 100개의 예... 흥미롭습니다... 교육을 받기 전에 거래할 때 사용하는 규칙에 따라 초기 샘플에서 샘플을 선택합니까?
훈련 샘플의 동일한 독립 변수 세트가 하나의 종속 변수에만 해당하는 경우 이는 결정적 시리즈입니다.
분류할 항목이 없습니다. 예측 오차는 0입니다.
그래 괴로워
훈련 샘플의 동일한 독립 변수 세트가 하나의 종속 변수에만 해당하는 경우 이는 결정적 시리즈입니다.
분류할 항목이 없습니다. 예측 오차는 0입니다.
그래 괴로워
고맙습니다. 아마도 이것은 고뇌가 아니라 나의 기본 지식이 부족하기 때문일 것입니다.
여러 독립 변수 집합이 단일 변수에 해당하는 경우에도 마찬가지입니까?