交易中的机器学习：理论、模型、实践和算法交易 - 页 3313

新评论
 
桑尼奇，我们什么时候才能记住 "教师 "是 "符号+目标"？）

这些幼稚的小插曲，就好像是学过伟大的 "R "的严肃的人说的一样，破坏了整个气氛。事实证明，无论你如何纠正，人们都是不学无术的。

如果你连最基本的东西都搞不清楚，我怎么跟你说话？）

恕我直言，你们根本不了解对方，也不知道对方写的是什么 :))))))
 
СанСаныч Фоменко #:

如果你指的是作为模型一部分的特征选择，我完全不同意，因为作为模型一部分的特征选择 就是垃圾。

我说的是特征选择

不要混淆自己和他人。

你用代理 软件包所做的是手工的、不正确的、原始的特征选择 ，或者说是它的一部分。


而且，真的要熟悉这些概念，不要在现有概念的基础上引入自己的概念。

因为当你把再训练称为 "过拟合 "时，我每次都在抽搐，这样的失误还真不少。

 
Maxim Dmitrievsky #:
Sanych，我们什么时候才能记住 "教师 "是 "标志+目标"？）

这些幼稚的小插曲，好像是学过伟大的 R 的严肃的人说的，破坏了整个气氛。事实证明，无论你如何纠正，人们都是不学无术的。

如果你连最基本的东西都搞不清楚，我还怎么跟你说话？）

恕我直言，你们根本不了解对方，也不知道对方写的是什么 :))))))

哦，最聪明的！

哦，最博学的

例如，在我所知道的所有机器学习模型的公式中，"有老师 "的学习方法中的"老师" （目标变量的同义词）都是一个独立的变量：

randomForest(as.factor(target ) ~ .,
                                     data   = Train [, - ncol(Train )],
                                     ntree  = ntree,
                                     mtry   = mtry)

其中，target 代表矩阵中的单独一列。例如，价格增量。这就像一个函数及其参数。

矩阵的其他列必须匹配。问题是，并不是每个教师都适合特征（预测因子），反之亦然，并不是每个特征都适合某个教师。

 
mytarmailS #:

我说的是特征选择

不要混淆自己和他人。

你用代理 软件包所做的是手工的、不正确的、原始的特征选择 ，或者说是特征选择的一部分。


还有，真的要熟悉这些概念，不要在现有概念的基础上引入自己的概念。

因为当你把再训练称为 "过拟合 "时，我每次都在抽搐，这样的失误太多了

谢谢你的澄清！

但是，绝对准确性只有在特定的机器学习模型中才有可能实现，因为有的模型可以提供方差重要性 信息，有的模型内置了特征选择功能 。

如果要对特征选择问题中的概念进行一般分类，可以使用这个 模型


仅供参考：过拟合的翻译是什么？过拟合？还是过拟合？

 
СанСаныч Фоменко #:

谢谢你的澄清！

仅供参考：overfitting 的翻译是什么？过度拟合？还是过拟合？

overate。

说过头 了。

重点不是这个，而是只有你一个人在成百上千的人面前用这个词，这没什么好的，只会让人困惑。


==================================================================


我记得你说过，你的函数计算时间很长，有一种很酷的东西叫代码记忆化，它 在某些情况下 会大大加快代码的速度，你只需要把慢速的f1() 函数封装到f2() 中，做成一个可记忆的函数就可以了。

f2 <- memoise::memoise(f1)

巨大收获

microbenchmark::microbenchmark(f1(),f2())
Unit: microseconds
 expr        min         lq       mean     median         uq      max neval
 f1() 145281.202 154547.404 163587.417 160677.641 167757.222 204640.4   100
 f2()    234.342    270.263   1989.096    402.544    413.092 164095.8   100
 
СанСаныч Фоменко #:

哦，最聪明的人！

哦，最博学的人

"大师"

桑尼奇，哪里说老师是目标的同义词了？)

 
mytarmailS #:
备忘录

奇怪

 
Maxim Dmitrievsky #:

桑尼奇，哪里说教师是目标的同义词了？)

别傻了！

监督学习 是机器学习 的方法之一，在这种方法中，被测试系统被迫利用刺激-反应示例进行学习。 从控制论的 角度来看，这是一种控制论实验。输入和参考输出（ 刺激-反应）之间可能存在某种依赖关系，但这是未知的。


最重要的是，你不需要教任何人！做你自己的事就行！

 
СанСаныч Фоменко #:

别傻了

监督学习 是机器学习 的方法之一，在监督 学习中，被测试系统被迫利用刺激-反应示例进行学习。 从控制论的 角度来看，这是一种控制论实验。输入和参考输出（ 刺激-反应）之间可能存在某种依赖关系，但这种关系是未知的。


最重要的是，你不需要教任何人！做你自己的事就行！

桑尼奇，写在哪里？


 
无师自通--当我们给所有学生提供相同的筹码，但没有目标一栏时。模型将自行选择目标。
我们可以合乎逻辑地认为，如果有老师--这一列有目标 f-i，而没有老师--没有这一列，那么这一列就是老师。
1...330633073308330933103311331233133314331533163317331833193320...3399
新评论