文章 "梯度提升（CatBoost）在交易系统开发中的应用. 初级的方法" - 页 7

新评论
 
这是完全错误的方法。你不能基于相同的训练和测试数据集生成一个模型，然后说它有效，这是毫无用处和毫无根据的。这就是所谓的曲线拟合模型。这样的模型在纸面上看起来很好，但在现实世界中永远行不通。请使用正确的机器学习方法，有多种方法可以做到这一点，但你的方法是完全错误的。
 
Jacob James:
这是完全错误的方法。你不能基于相同的训练和测试数据集生成一个模型，然后说它有效，这是毫无用处和毫无根据的。这就是所谓的曲线拟合模型。这样的模型在纸面上看起来很好，但在现实世界中永远行不通。请使用正确的机器学习方法，有几种方法可以做到这一点，但你的方法是完全错误的。

我认为你们俩都完全错了，伙计们。标记为 "幼稚方法 "的文章是 CatBoost 模型的介绍。没有人禁止你们用新数据来测试模型。在文章的最后，你还可以看到 "新数据测试+学习期"。

请仔细阅读文章，因为下一部分就在路上。
 
Maxim Dmitrievsky:

虽然一切都简单到了不可能的地步，但还是很难理解别人的想法....。

我能说什么呢？

1）标志肯定不是最好的，范围很大。

2）在训练分类器之前没有必要混合数据（我检查过）。

3）真正有价值的是目标，正是它拉动了整篇文章（我将它与 ZZ 进行了比较，ZZ 简直是垃圾）。


总的来说，方法如下--最大限度地 "只为在验证中获得好结果而行动"

我们选择最佳模型 ))))

我就是这样 "移动 "的。

但事实上，这与我优化神经元权重时所说的方法是一样的，只是我立即 "移动 "了最大利润。

好吧，我不知道还能写些什么...

 
mytarmailS:

虽然一切都简单到了不可能的地步，但我还是很难理解别人的想法....。

我能说什么呢？

1) 标识不是最好的，有很大的空间。

2）在训练分类器之前没有必要洗数据（我检查过）。

3）真正有价值的是目标，它能拉动整篇文章（与 ZZ 相比，ZZ 简直是垃圾）


总的来说，方法如下--我们 "尽可能地移动所有数据，只为在验证时得到一个好结果"。

并选择最佳模型 ))))

我就是这样 "移动 "的。

但事实上，这与我优化 neuronkey 权重时所说的方法是一样的，只不过我是将它移动到最大利润处。

好吧，我不知道还能写些什么...

如果没有 GMM，就不能这样做。另外，你没有意识到训练的时间间隔有多短，以及模型在新数据上的寿命有多长。这并不是极限，我们有办法延长模型的寿命。整个方法是一个有机的整体，你不能把各个部分割裂开来。

是的，你可以尝试更有意义的方法。使用它，改进它

 
Maxim Dmitrievsky:

没有 GMM 就无法做到这一点。另外，你没有查看训练的时间间隔有多短，以及模型在新数据上的寿命有多长。这并不是极限，还有办法延长寿命。整个方法是有机的一体，你不能把各个部分分开。

是的，你可以尝试更有意义的方法。使用它，改进它

我明天用 gmm 试试。

 
mytarmailS:

我明天用 gmm 试试。

哦，那是你写的文章。那么是的。这是一篇介绍性的文章，以免读者完全摸不着头脑。
 
Maxim Dmitrievsky:
哦，这就是你写的那篇文章。是啊这是一篇介绍性的文章 防止读者完全走入歧途

是的，我想我应该按顺序来写

 
一般来说，如果不使用 Shuffle，系统会立即开始预期的耗电。
 
Александр:
一般来说，如果不使用 Shuffle，系统会立即开始出现预期的耗电。

现在您可以跳到下一篇文章

 
我用了，要么是我自己做的，要么是我用了你提供的。 有 以下错误。



12345678910
新评论