Но формулы там кажутся иные, или записаны в более полном виде...
Колхоз дело добровольное! Но зачем колхоз пропагандировать? Какие еще лекции на ютюбе, когда имеется техническая документация и программный код. Замечу, что сам gbm - это только часть пакета, еще чего много рядом с самой функцией.
References Y. Freund and R.E. Schapire (1997) “A decision-theoretic generalization of on-line learning and an application to boosting,” Journal of Computer and System Sciences, 55(1):119-139.
G. Ridgeway (1999). “The state of boosting,” Computing Science and Statistics 31:172-181.
J.H. Friedman, T. Hastie, R. Tibshirani (2000). “Additive Logistic Regression: a Statistical View of Boosting,” Annals of Statistics 28(2):337-374.
J.H. Friedman (2001). “Greedy Function Approximation: A Gradient Boosting Machine,” Annals of Statistics 29(5):1189-1232.
J.H. Friedman (2002). “Stochastic Gradient Boosting,” Computational Statistics and Data Analysis 38(4):367-378.
B. Kriegler (2007). Cost-Sensitive Stochastic Gradient Boosting Within a Quantitative Regression Framework. Ph.D. Dissertation. University of California at Los Angeles, Los Angeles, CA, USA. Advisor(s) Richard A. Berk. urlhttps://dl.acm.org/citation.cfm?id=1354603.
C. Burges (2010). “From RankNet to LambdaRank to LambdaMART: An Overview,” Microsoft Research Technical Report MSR-TR-2010-82
An implementation of extensions to Freund and Schapire's AdaBoost algorithm and Friedman's gradient boosting machine. Includes regression methods for least squares, absolute loss, t-distribution loss, quantile regression, logistic, multinomial logistic, Poisson, Cox proportional hazards partial likelihood, AdaBoost exponential loss, Huberized hinge loss, and Learning to Rank measures (LambdaMart). Originally developed by Greg Ridgeway.
Extreme Gradient Boosting, which is an efficient implementation of the gradient boosting framework from Chen & Guestrin (2016) < doi:10.1145/2939672.2939785 >. This package is its R interface. The package includes efficient linear model solver and tree learning algorithms. The package can automatically do parallel computation on a single machine which could be more than 10 times faster than existing gradient boosting packages. It supports various objective functions, including regression, classification and ranking. The package is made to be extensible, so that users are also allowed to define their own objectives easily.
Колхоз дело добровольное! Но зачем колхоз пропагандировать? Какие еще лекции на ютюбе, когда имеется техническая документация и программный код. Замечу, что сам gbm - это только часть пакета, еще чего много рядом с самой функцией.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Не, тут пусто. Я забыл упомянуть, что речь про бустинг.
Тогда тут,
и тут
Но формулы там кажутся иные, или записаны в более полном виде...
Тогда тут,
и тут
Но формулы там кажутся иные, или записаны в более полном виде...
Колхоз дело добровольное! Но зачем колхоз пропагандировать? Какие еще лекции на ютюбе, когда имеется техническая документация и программный код. Замечу, что сам gbm - это только часть пакета, еще чего много рядом с самой функцией.
Здесь ссылка на пакет gbm
Здесь ссылка на теорию
Здесь ссылка на руководство
А вот перечень литературы по поводу gbm.
References Y. Freund and R.E. Schapire (1997) “A decision-theoretic generalization of on-line learning and an application to boosting,” Journal of Computer and System Sciences, 55(1):119-139.
G. Ridgeway (1999). “The state of boosting,” Computing Science and Statistics 31:172-181.
J.H. Friedman, T. Hastie, R. Tibshirani (2000). “Additive Logistic Regression: a Statistical View of Boosting,” Annals of Statistics 28(2):337-374.
J.H. Friedman (2001). “Greedy Function Approximation: A Gradient Boosting Machine,” Annals of Statistics 29(5):1189-1232.
J.H. Friedman (2002). “Stochastic Gradient Boosting,” Computational Statistics and Data Analysis 38(4):367-378.
B. Kriegler (2007). Cost-Sensitive Stochastic Gradient Boosting Within a Quantitative Regression Framework. Ph.D. Dissertation. University of California at Los Angeles, Los Angeles, CA, USA. Advisor(s) Richard A. Berk. urlhttps://dl.acm.org/citation.cfm?id=1354603.
C. Burges (2010). “From RankNet to LambdaRank to LambdaMART: An Overview,” Microsoft Research Technical Report MSR-TR-2010-82
Тогда тут,
и тут
Но формулы там кажутся иные, или записаны в более полном виде...
Аналогично по xgboost
Колхоз дело добровольное! Но зачем колхоз пропагандировать? Какие еще лекции на ютюбе, когда имеется техническая документация и программный код. Замечу, что сам gbm - это только часть пакета, еще чего много рядом с самой функцией.
Здесь ссылка на теорию
Требуется объяснение, а не просто формулы, поэтому и предложено объяснение человека через восприятие материала лектором.
А по ссылке не увидел теории с формулами.
Требуется объяснение, а не просто формулы, поэтому и предложено объяснение человека через восприятие материала лектором.
А по ссылке не увидел теории с формулами.
Не столько для Вас, который не хочет видеть в упор, как для других, любящих теорию.
А главное, Вы не понимаете отличий ля-ля по ютюб от рабочего инструмента начиная с теории до кода, проверенного многими людьми.
Модель запустилась в mql5 скрипте, но не запускается в питоне, поскольку не устанавливается пакет onnxruntime.
В питоне 3.11 пакета onnxruntime пока нет. Поставил питон 3.10, в котором всё установилось и вывод заработал.
Не столько для Вас, который не хочет видеть в упор, как для других, любящих теорию.
А главное, Вы не понимаете отличий ля-ля по ютюб от рабочего инструмента начиная с теории до кода, проверенного многими людьми.
К чему надменность? Лучше уж показали бы, где скачали конкретно - я лично ещё раз посмотрел и не понял.
Хм, и зачем нужны преподаватели в институтах...
Про обучение с подкреплением
В психологии - это называется проекция...
А так, ну да, именно как он говорит и происходит обучение моделей - что причудилось то и запомнилось.