Doğrusal regresyonla ilgili pasaj, yazarı teoriye / matstat'a aşina olmayan bir kişi olarak ele verir. Standart LR varsayımları, girdilerin deterministik olduğu (örneğin zamanlar) ve çıktı dağılımlarının gürültü dağılımına bağlı olduğu (ve her çıktının girdiye bağlı olarak ve diğerlerinden farklı olarak kendi beklenen değerine sahip olacağı) şeklindedir.
Başka bir seçenek - eğer girdiler ve çıktılar bazı ortak dağılımlardan alınırsa, o zaman burada doğrusal regresyon modelinin uygulanabilirliği için koşul daha da zordur - JOINT (en azından iki boyutlu) dağılımı normal olmalıdır. Bu varsayım olmadan, ÇUŞ'lar unutulabilir.
"Birçok bilim insanı, istatistiksel analizdeki değişkenlerin normalliği veya anormalliği konusunda endişe duymaktadır. Aşağıdaki ve benzeri görüşler sıklıkla ifade edilmekte, yayınlanmakta veya öğretilmektedir:
" İstatistikleri tutmak istiyorsanız, her şey normal olarak dağıtılmalıdır. ".
" Verilerimizi normallik varsayımına uyacak şekilde normalleştirdik. ".
" Verilerimizi çok çarpık olduğu için günlüğe dönüştürdük. ".
" Modeli yerleştirdikten sonra artıkların homoskedastisitesini test ettik. ".
" Verilerimiz normallik varsayımına uymadığı için parametrik olmayan bir test kullandık. ".
Veri normalleştirme, normal dağıtım ve bir sürü ekstra için ağların gereksinimleri nedeniyle. ayarlar - ağaç benzeri sistemlere geçildi. Verileri olduğu gibi hatırlayacaklar.
Ve AI'yı (sıradan insanlar için makalelerden birinde) sinir ağlarına veya ağaçlara dayalı veritabanları olarak adlandırdıktan sonra, onları tam olarak 1 hücrede (sayfa) çok benzer birkaç satırı depolayabilen veritabanları olarak ele almaya başladım, yani . aynı zamanda genelleme yapmak. Ağacı son örneğe bölerken, hücreler genelleme yapılmadan sadece aynı satırları içerecektir - yani. temiz bir veritabanı elde edersiniz. Hala genelleme yapmamız gerekiyor, bu yüzden yaprakların bölünmesini erken durduruyoruz.
Vladimir! #23667 hakkında bir açıklama yapabilir misiniz?
Bu paket bu kodu değiştirmeden kodumu hızlandırabilirse, bu benim için çok ilginç, sadece çalışan bir örnek verin lütfen
Pakette birçok örnek var. Bulamıyor musunuz? getireceğim
> # 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
Evet, yapılabilir. Ancak bir danışman şeklinde daha uygundur
Habre https://m.habr.com/ru/post/549202/ adresinde bir makale yayınlandı, ne dersiniz? Pratik bir şey yapılabilir mi? Bu ve genel olarak sizin (ve diğer matematikçilerin) uzman görüşü ilginç.
MQL5.com web sitesine giriş yapmak için çerezlerin kullanımına izin vermelisiniz.
Lütfen tarayıcınızda gerekli ayarı etkinleştirin, aksi takdirde giriş yapamazsınız.
Hesabınıza giriş yaptınız. İki faktörlü kimlik doğrulama devre dışı bırakıldı. Yeniden kurup yeni bir QR kodu tarayın veya iki faktörlü kimlik doğrulama devre dışıyken devam edin.
Yanlışlıkla benim için şaşırtıcı bir ifadeye sahip bir makale okudum. Tahminler, yanıtlar ve artıklar: Normal olarak dağıtılması gereken gerçekten ne var?
Doğrusal regresyonla ilgili pasaj, yazarı teoriye / matstat'a aşina olmayan bir kişi olarak ele verir. Standart LR varsayımları, girdilerin deterministik olduğu (örneğin zamanlar) ve çıktı dağılımlarının gürültü dağılımına bağlı olduğu (ve her çıktının girdiye bağlı olarak ve diğerlerinden farklı olarak kendi beklenen değerine sahip olacağı) şeklindedir.
Başka bir seçenek - eğer girdiler ve çıktılar bazı ortak dağılımlardan alınırsa, o zaman burada doğrusal regresyon modelinin uygulanabilirliği için koşul daha da zordur - JOINT (en azından iki boyutlu) dağılımı normal olmalıdır. Bu varsayım olmadan, ÇUŞ'lar unutulabilir.
Yanlışlıkla benim için şaşırtıcı bir ifadeye sahip bir makale okudum. Tahminler, yanıtlar ve artıklar: Normal olarak dağıtılması gereken gerçekten ne var?
Birkaç alıntı:
"Birçok bilim insanı, istatistiksel analizdeki değişkenlerin normalliği veya anormalliği konusunda endişe duymaktadır. Aşağıdaki ve benzeri görüşler sıklıkla ifade edilmekte, yayınlanmakta veya öğretilmektedir:
Veri normalleştirme, normal dağıtım ve bir sürü ekstra için ağların gereksinimleri nedeniyle. ayarlar - ağaç benzeri sistemlere geçildi. Verileri olduğu gibi hatırlayacaklar.
Ve AI'yı (sıradan insanlar için makalelerden birinde) sinir ağlarına veya ağaçlara dayalı veritabanları olarak adlandırdıktan sonra, onları tam olarak 1 hücrede (sayfa) çok benzer birkaç satırı depolayabilen veritabanları olarak ele almaya başladım, yani . aynı zamanda genelleme yapmak. Ağacı son örneğe bölerken, hücreler genelleme yapılmadan sadece aynı satırları içerecektir - yani. temiz bir veritabanı elde edersiniz. Hala genelleme yapmamız gerekiyor, bu yüzden yaprakların bölünmesini erken durduruyoruz.
Print ile ilgili değil, jeneratörler ve yineleyicilerle ilgili.
Vladimir! #23667 hakkında bir açıklama yapabilir misiniz?
Bu paket bu kodu değiştirmeden kodumu hızlandırabilirse, bu benim için çok ilginç, sadece çalışan bir örnek verin lütfen
Vladimir! #23667 hakkında bir açıklama yapabilir misiniz?
Bu paket bu kodu değiştirmeden kodumu hızlandırabilirse, bu benim için çok ilginç, sadece çalışan bir örnek verin lütfen
Pakette birçok örnek var. Bulamıyor musunuz? getireceğim
Bu baskı ile ilgili değil, üreteçler ve yineleyicilerle ilgili.
imkanı yok? ))
Gelecekte ML tabanlı çift ticareti hakkında yeni bir makale yayınlayacak mısınız?
Gelecekte ML tabanlı çift ticareti hakkında yeni bir makale yayınlayacak mısınız?
Evet, henüz vakit olmadı. Makaleler, planlarını düşünmek ve ardından programlamak için çok zaman gerektirir.
Evet, henüz vakit olmadı. Makaleler, planlarını düşünmek ve ardından programlamak için çok zaman gerektirir.
Daha sonra komut dosyasını bu stratejiyi kullanarak siparişleri doğrudan Python'da açan makaleye ekleyebilir misiniz?
Veya bu stratejiyi kullanarak komut dosyasını doğrudan Python'da siparişleri açan makaleye ekleyebilir misiniz?
Evet, yapılabilir. Ancak bir danışman şeklinde daha uygundur
Evet, yapılabilir. Ancak bir danışman şeklinde daha uygundur