In this tutorial we will explore the Davies-Bouldin index and its application to K-Means clustering evaluation in Python. Table of Contents Introduction Davies-Bouldin Index Step...
Mihail Marchukajtes#: 有些任务实际上不可能用基本的数学算法或逻辑来解决，或者解决方法变得极其耗时和不合理。例如，有必要将输入数据集划分为不同的类别。用数学公式或任何特殊的算法来做是不可能的，因为这些数据的划分规律是不知道的，我们只需要找到它--然后我们使用Kohonen map或任何其他机器学习算法。有一些问题是隐含的解决方案，如BP预测，不能用简单的数学逻辑来完成。也就是说，神经网络被用于经典数学无法给出答案或无能为力的地方，只能通过训练找到解决方案。
不，确实如此
正是如此。NS是数学的一个部分，当没有通过通常的公式明确解决问题时，无论多么复杂，当解决方案本身的公式不为人知时，都会使用NS。
我把数学分为经典和NS，这是我的主观意见，当然NS是数学的一个部分，但否则....这里有一个例子。
我用数学对输入数据进行预处理，用普通数学、逻辑和算法计算基本策略，但要找出信号的真假，那我就用NS，因为决定真假的公式我不知道。因此，简而言之...
如果你需要 "将输入的数据集划分为类"，有什么可以阻止你用常规树或树的集合来做 呢？
总的来说，我想扩展一下MO的话题。寻找概率模式是正确的，但不完整。一个更完整的任务是将长或强的模式解释为真实的、基础的。
对基金会来说，这是不可能的，基金会自己也是如此。古典经济学的基础是模型，但在此基础上的决定是由监管者做出的--从他/她的观点来看，如果/如果破坏了社会福利（+/-）和社会经济发展，他/她就不会继续这种趋势。我不打算讨论这个问题，我（作为市场的见证人）经历了整个经济周期（也看到了监管机构做出的决定）--这不值得讨论（但宏观经济学教科书里什么都有）--我们不测量，他们自己测量并做出决定，散户只能接受既定/事实的情况，因为它是
你事先知道数据聚类的公式吗？
Python中的聚类评估--不是公式，但仍...逻辑!
p.s.
通过传递矢量列和目标变量，用于 Spark ML中可用的训练模型。
对基金会来说，这是不可能的，基金会自己也是如此。古典经济学的基础是模型，但基于这些模型，监管者做出决定--如果/当从他/她的专业角度来看，它破坏了社会福利（+/-）和社会经济发展，他/她就不会继续这种趋势。我不想讨论这个话题，我经历了（在市场上见证了）整个生态周期（并看到了监管机构做出的决定）--这不值得讨论（但宏观经济教科书上都有）--不是我们在衡量，他们自己在衡量并做出决定，散户只能接受既定的/事实的真相
如果我的目标（像大多数人一样）是10-20 pipsov v天，为什么我需要宏观经济数据？
回答你自己的问题吧...例如，我有其他目标......这就是市场存在的原因!
所以你回答了你自己的问题...例如，我有其他目标......这就是为什么有一个市场!
你的目标是什么？
，你按照你的目标生活/生活......不要在你的目标和别人的目标之间摇摆不定。和快乐...你可以自己制定计划
有些任务实际上不可能用基本的数学算法或逻辑来解决，或者解决方法变得极其耗时和不合理。例如，有必要将输入数据集划分为不同的类别。用数学公式或任何特殊的算法来做是不可能的，因为这些数据的划分规律是不知道的，我们只需要找到它--然后我们使用Kohonen map或任何其他机器学习算法。有一些问题是隐含的解决方案，如BP预测，不能用简单的数学逻辑来完成。也就是说，神经网络被用于经典数学无法给出答案或无能为力的地方，只能通过训练找到解决方案。
要用初级数学解决这类问题，你需要知道解题公式，这就是NS的作用。它通过训练找到问题的解决方案 ....
可以在没有足够统计数据进行完整分析的情况下生成一个测试样本--尽管它可能有点缺陷...
可以在实验室不可行的情况下生成一个模拟模型...
当积分函数取决于许多因素和/或有许多测量值时，可能也能更快地积分......- 单纯从速度上来说，它比手动快。
可能是这样的