Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
O excesso de amostragem não dá nada até agora, mas o "tomo" melhorou um pouco o resultado - significa que há algo nos dados, o principal é cavar corretamente.
Histograma de modelos com diferentes configurações de quantização sobre a amostra.
Faz uma melhor fronteira entre as classes. Assim como os dados - para que a separação em classes seja clara e os exemplos não se sobreponham.
e até sei como o fazer... um pouco inteligente, mas ainda não o fiz.faz uma melhor fronteira entre as classes. Também é assim que os dados devem ser preparados - para que a divisão em classes seja clara, os exemplos não se sobreponham
e até sei como fazê-lo... Sou um pouco esperto, mas ainda não o fiz.Como será? Em nossa área, geralmente as aulas podem ser descritas como sendo igualmente mistas.
faz uma melhor fronteira entre as classes. Os dados também devem ser preparados da mesma forma - para que a divisão em classes seja clara, os exemplos não se sobreponham
e até sei como o fazer... um pouco esperto, mas ainda não o fiz.Adicionar clustering à amostragem de rótulos. Agrupamento pelos mesmos atributos, depois amostragem com clusters. As classes serão separadas, mas não está claro o que vai acontecer com os novos dados. Deve melhorar, em teoria.
Por isso, esta semana, já tive esta ideia aqui :)
Só eu sugiro diminuir o número de classes principais.
Então eu cobri esta ideia aqui esta semana :)
Só eu sugiro reduzir o número de classes principais.
Eu ainda não vi
Há algum método/ferramentas que possam fazer isto automaticamente?
Há algum método/ferramentas que possam fazer isto automaticamente?
Não sei, vou ter de ver. Talvez este fim de semana eu dê uma olhada.
Por favor, avise-me se a encontrar, senão começo a construir a minha bicicleta :)
Elibrarius sugeriu uma idéia - basta construir uma árvore ramificada e usá-la em vez de aglomerar-se, tirando informações das folhas para reduzir a classe maioritária.
Futuros actuais - formação concluída em 2018. Demasiado bonita.
E aqui está o mesmo padrão nos últimos futuros. É mais triste aqui, mas suportável.
Ainda mais perto do fim do treino, vamos ver o futuro. E é aí que está o problema.
E eu não entendo o que está acontecendo - parece que quanto mais perto do final do treinamento, melhores devem ser os resultados, mas é o oposto - uma anomalia!
A resposta parece residir na própria tendência - futuros actuais sem MO
Último
e também
Oh, isso é MO!?