В том контексте, что упоминаю я - покусочная оценка диапазона данных с целью выявления куска (квантового отрезка) вероятность принадлежности которого к одному из классов больше на x процентов, чем в среднем по всему диапазону.
В том контексте, что упоминаю я - покусочная оценка диапазона данных с целью выявления куска (квантового отрезка) вероятность принадлежности которого к одному из классов больше на x процентов, чем в среднем по всему диапазону.
Сложно описали. Сортируете столбец и делите его например на 32 части, если есть дубликаты, то то все их в квант закидываете. Если в столбце только 0 и 1 то будет 2 кванта, а не 32 (ибо дубликаты).
а можно первые 1000 строк разделить на 99 квантов. а 315 или 88 или 4121 - не в какой то супер хитрой формуле где строки объединяются по предсказательной способности, которой вы хотите делать поиск критериев оценки этого квантового отрезка. что там гениальные методы квантования или что-то типа такого. характеризующих выборку, которая попала в квантовый отрезок
Сложно описали. Сортируете столбец и делите его например на 32 части, если есть дубликаты, то то все их в квант закидываете. Если в столбце только 0 и 1 то будет 2 кванта, а не 32 (ибо дубликаты).
Пока никак, особенно для бустинга) Там же нужна гладкость, чтобы были градиент и гессиан. Прибыль таковой не будет, поэтому нужно думать как её сглаживать.
Мне пока достаточно локального варианта одиночного дерева, про который недавно писал здесь.
В том контексте, что упоминаю я - покусочная оценка диапазона данных с целью выявления куска (квантового отрезка) вероятность принадлежности которого к одному из классов больше на x процентов, чем в среднем по всему диапазону.
По сути, получается что на каждом предикторе отдельно строится дерево.
Пока никак, особенно для бустинга) Там же нужна гладкость, чтобы были градиент и гессиан. Прибыль таковой не будет, поэтому нужно думать как её сглаживать.
Мне пока достаточно локального варианта одиночного дерева, про который недавно писал здесь.
А видео смотрели? то на которое ссылку я дал?
Там чел как раз говорил как негладкую перевести в гладкую через РЛ
народная мудрость гласит: за деревьями леса не видит. А вот интересно, перебирая листья дерево видно? я не спрашиваю за лес.
Это что единственный алгоритм который Вам известен? Или он самый эффективный? Что Вы на нем зациклились?
Это мимо проходящего мысли.
Удачи
Вопрос вполне уместный. Для меня ответ примерно такой, что если предикторы однородны (например, пиксели картинки или последние N свечей), то форма классов может быть произвольной, поэтому правила не очень подходят. Если же предикторы неоднородны (например, цена и время), то классы скорее имеют прямоугольную форму, задаваемую правилами.
Конечно, чётких обоснований для этого нет, лишь гипотеза.
Там чел как раз говорил как негладкую перевести в гладкую через РЛ
Там другая математика вроде. Не смогу хорошо объяснить, поскольку сам не до конца понимаю. В бустинге градиент по функции, а в видео это обычный градиент по весам сети.
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.
В том контексте, что упоминаю я - покусочная оценка диапазона данных с целью выявления куска (квантового отрезка) вероятность принадлежности которого к одному из классов больше на x процентов, чем в среднем по всему диапазону.
Что такое квантование?)
Был же код недавно из катбуста.
В том контексте, что упоминаю я - покусочная оценка диапазона данных с целью выявления куска (квантового отрезка) вероятность принадлежности которого к одному из классов больше на x процентов, чем в среднем по всему диапазону.
Был же код недавно из катбуста.
Посмотрите сразу все станет ясно
Был же код недавно из катбуста.
Сложно описали. Сортируете столбец и делите его например на 32 части, если есть дубликаты, то то все их в квант закидываете. Если в столбце только 0 и 1 то будет 2 кванта, а не 32 (ибо дубликаты).как успехи с бустом и максимизацией прибыли?
Пока никак, особенно для бустинга) Там же нужна гладкость, чтобы были градиент и гессиан. Прибыль таковой не будет, поэтому нужно думать как её сглаживать.
Мне пока достаточно локального варианта одиночного дерева, про который недавно писал здесь.
В том контексте, что упоминаю я - покусочная оценка диапазона данных с целью выявления куска (квантового отрезка) вероятность принадлежности которого к одному из классов больше на x процентов, чем в среднем по всему диапазону.
По сути, получается что на каждом предикторе отдельно строится дерево.
Пока никак, особенно для бустинга) Там же нужна гладкость, чтобы были градиент и гессиан. Прибыль таковой не будет, поэтому нужно думать как её сглаживать.
Мне пока достаточно локального варианта одиночного дерева, про который недавно писал здесь.
А видео смотрели? то на которое ссылку я дал?
Там чел как раз говорил как негладкую перевести в гладкую через РЛ
народная мудрость гласит: за деревьями леса не видит. А вот интересно, перебирая листья дерево видно? я не спрашиваю за лес.
Это что единственный алгоритм который Вам известен? Или он самый эффективный? Что Вы на нем зациклились?
Это мимо проходящего мысли.
Удачи
Вопрос вполне уместный. Для меня ответ примерно такой, что если предикторы однородны (например, пиксели картинки или последние N свечей), то форма классов может быть произвольной, поэтому правила не очень подходят. Если же предикторы неоднородны (например, цена и время), то классы скорее имеют прямоугольную форму, задаваемую правилами.
Конечно, чётких обоснований для этого нет, лишь гипотеза.
А видео смотрели? то на которое ссылку я дал?
Там чел как раз говорил как негладкую перевести в гладкую через РЛ
Там другая математика вроде. Не смогу хорошо объяснить, поскольку сам не до конца понимаю. В бустинге градиент по функции, а в видео это обычный градиент по весам сети.
Диапазона данных или диапазона значений фичи?
Диапазон значений предиктора, который описывает данные.
Тут практически описал алгоритм - там и картинка есть с RSI.