文章 "蒙特卡罗方法在强化学习中的应用" - 页 4

[Aleksey Vyazmikin]

Maxim Dmitrievsky:

如您所愿:)

但这都是小事。重要性取决于样本的方差（几乎总是如此，非常简单的模型除外）。森林不会对样本进行任何转换，也不会相互乘除等，而只是将它们的值分散到各个节点上，因此不会产生交互作用，只会产生分离。

扩散顺序（预测因子在树中的深度）很重要，它取决于其他预测因子，包括那些更擅长扩散的预测因子....。

[[删除]]

Aleksey Vyazmikin:

传播顺序（预测因子在树中的深度）很重要，它取决于其他预测因子，包括那些传播效果更好的预测因子....。

如果是三分裂树，我想可以，如果是森林，那就算了。

或者在文献、专业人士的研究中找到对你想法的证实。否则，为什么要做一些模型根本没有设计的事情，编造一些无稽之谈呢？

[Aleksey Vyazmikin]

Maxim Dmitrievsky:

如果是三叉树，我想可以，如果是森林，那就算了。

或者在文献、专业人士的研究中找到对你想法的证实。否则，为什么要做一些模型根本不适合的事情，去发明一些无稽之谈呢？

你最好多看看文献，尤其是外国文献。关于贪婪树构造可能是错误的想法，我是从 youtube 上不同的演讲者那里听到的。我没有任何权威研究，我只有自己的实验结果，有可能是我曲解了结果。总的来说，如果一次输入所有预测因子就能得到一个几乎完美的模型，那么这篇文章还有什么意义呢？

[[删除]]

Aleksey Vyazmikin:

文学作品最好由您来处理，尤其是外国文学作品。我从 Youtube 上不同的演讲者那里听到了关于贪婪树构造可能是错误的想法。我没有任何权威研究，我只有自己的实验结果，有可能是我曲解了结果。一般来说，如果您可以一次性输入所有预测因子并得到一个几乎完美的模型，那么这篇文章的意义何在？

这篇文章的目的是去除不必要的噪声，简化模型。

但这篇文章的重点其实是不同的，它其实就在标题中。

[Aleksey Vyazmikin]

Maxim Dmitrievsky:

以消除多余的噪音，减轻模型的重量。

但这篇文章的重点其实不同，它其实就在标题里。

因此，你对预测因子 进行随机选择，从中选出一个最佳模型，但不知道它的绝对值有多高，我建议进行更合理的选择，假设它能在更大程度上接近绝对模型。目标是相同的，但工具略有不同。

[[删除]]

Aleksey Vyazmikin:

因此，你可以随机选择预测因子，然后选择最佳模型，但你不知道它的绝对值有多高，我建议进行更合理的选择，假设它可能更接近绝对模型。目标是相同的，但工具略有不同。

预测因子的选择 不是随机的。

你说的 "更明智的搜索 "是什么意思？

[Aleksey Vyazmikin]

Maxim Dmitrievsky:

预测因子不是随机选择的

更合理的搜索 "是什么意思？

我意识到我读错（认为）了文章中的一个词，误解了它的意思，它说 "蒙特卡罗方法或目标变量的随机抽样应单独考虑"，而我不知何故认为它是关于预测因子的，对此我深表歉意。

更有效的超采样是基于过去结果的超采样，可以说是强化的超采样。

[[删除]]

Aleksey Vyazmikin:

我意识到我读错（认为）了文章中的一个词，误解了它，它说 "蒙特卡罗方法或目标变量的随机抽样应单独考虑"，而我不知何故认为它是关于预测因子的，我向你道歉。

更有效的超采样是利用过去的结果进行超采样，可以说是强化超采样。

我不明白这一点，可能与文章主题无关。

我想我已经写过关于importans 的 文章了。

[jaffer wilson]

MetaQuotes Software Corp.:

新文章《在强化学习中应用蒙特卡罗方法》已发表：

作者： Maxim Dmitrievsky马克西姆-德米特里耶夫斯基

谢谢。有没有可能用 GPU 代替 CPU 进行训练？

[[删除]]

jaffer wilson:

谢谢。有没有可能用 GPU 代替 CPU 进行训练？

可以，如果你在开放内核 上重写所有逻辑（包括射频）的话：）另外，随机森林的 GPU 可行性和并行性也是最差的。