이해하는 것과 릴리스를 만드는 것은 다른 것입니다. 아직 실험 중입니다. 이제 예측 변수를 혼합하고 있습니다. 소음에 대처하지 못해서 국회를 포기했듯 버릴지도 모르겠다.
그리고 그것을 알아내는 것은 쉽습니다. 몇 시간 동안 코드를 볼 필요가 있으며 모든 것이 명확해질 것입니다.
예, 물론 이것들은 다르지만 숙련된 손은 많은 것을 할 수 있습니다! 남의 코드는 알아듣기 어려워서 들어가보지도 않는다.
그리고 숲은 있는 그대로 그 개념에 따라 항상 소음을 낼 것입니다(사실 백색 소음은 소음과 더 확실하게 겹쳐져야 합니다. 집단 응답이 더 확실해야 합니다). 왜냐하면 그것이 품질이 아니라 양으로 작동하기 때문이라고 저는 생각합니다. 나무와 나무의 고유성을 더 많이 제어하려면 어떻게 든 품질이 필요합니다.
나는 왜 당신이 나무에서 잎을 모으는 나의 아이디어를 좋아하지 않는지 이해할 수 없습니다. 그리고 나서 당신은 정말로 투표를 주선하고 싶거나 반대로 잎을 배포하여 그들이하지 않도록 샘플에서 겹침 ... 분명히 노이즈가 적지만 시트에 규칙이 실제 의미가 있다는 것이 중요합니다. 그러면 시간이 지나면 안정적입니다.
나는 왜 당신이 나무에서 잎을 모으는 나의 아이디어를 좋아하지 않는지 이해할 수 없습니다. 그리고 나서 당신은 정말로 투표를 주선하고 싶거나 반대로 잎을 배포하여 그들이하지 않도록 샘플에서 겹침 ... 분명히 노이즈가 적지만 시트의 규칙이 실제 의미를 갖는 것이 중요합니다. 그러면 시간이 지나면 안정적입니다.
이제 저는 1-30개의 트리가 있는 CatBoost의 이상한 모델을 사용하여 더 깊은 학습을 위한 풀을 만들고 100-300개의 트리 아래에서 딥 러닝의 포인트가 있는지 여부를 평가하려고 합니다.
흥미로운 점은 훈련을 위한 샘플의 첫 번째 부분(파란색으로 강조 표시되었지만 필요 이상으로 약간 더 있습니다. 마지막 균형의 고장도 보여주기 때문에 시간이 오래 걸린다고 합니다)이 적용 후 매우 평범해 보입니다. 모델에 의해 악용되기 시작하는 일종의 패턴이 있는 반면 테스트 샘플(모델이 선택됨)에서는 테스트 샘플(훈련에 참여하지 않음)에서만큼 명확하지 않습니다. 아마도 이것은 언더트레이닝의 신호일 것입니다. 오버트레이닝보다 나은지 그것이 문제입니다.
이해하는 것과 릴리스를 만드는 것은 다른 것입니다. 아직 실험 중입니다. 이제 예측 변수를 혼합하고 있습니다. 소음에 대처하지 못해서 국회를 포기했듯 버릴지도 모르겠다.
그리고 그것을 알아내는 것은 쉽습니다. 몇 시간 동안 코드를 볼 필요가 있으며 모든 것이 명확해질 것입니다.예, 물론 이것들은 다르지만 숙련된 손은 많은 것을 할 수 있습니다! 남의 코드는 알아듣기 어려워서 들어가보지도 않는다.
그리고 숲은 있는 그대로 그 개념에 따라 항상 소음을 낼 것입니다(사실 백색 소음은 소음과 더 확실하게 겹쳐져야 합니다. 집단 응답이 더 확실해야 합니다). 왜냐하면 그것이 품질이 아니라 양으로 작동하기 때문이라고 저는 생각합니다. 나무와 나무의 고유성을 더 많이 제어하려면 어떻게 든 품질이 필요합니다.
나는 왜 당신이 나무에서 잎을 모으는 나의 아이디어를 좋아하지 않는지 이해할 수 없습니다. 그리고 나서 당신은 정말로 투표를 주선하고 싶거나 반대로 잎을 배포하여 그들이하지 않도록 샘플에서 겹침 ... 분명히 노이즈가 적지만 시트에 규칙이 실제 의미가 있다는 것이 중요합니다. 그러면 시간이 지나면 안정적입니다.
나는 왜 당신이 나무에서 잎을 모으는 나의 아이디어를 좋아하지 않는지 이해할 수 없습니다. 그리고 나서 당신은 정말로 투표를 주선하고 싶거나 반대로 잎을 배포하여 그들이하지 않도록 샘플에서 겹침 ... 분명히 노이즈가 적지만 시트의 규칙이 실제 의미를 갖는 것이 중요합니다. 그러면 시간이 지나면 안정적입니다.
나는 아직 숲을 탐험하지 않았다. 그래서 다른 것을 할 시간이 없습니다.
분명한. 당신의 업적에 대해 이해하고 작성하십시오 - 흥미롭습니다.
이제 저는 1-30개의 트리가 있는 CatBoost의 이상한 모델을 사용하여 더 깊은 학습을 위한 풀을 만들고 100-300개의 트리 아래에서 딥 러닝의 포인트가 있는지 여부를 평가하려고 합니다.
흥미로운 점은 훈련을 위한 샘플의 첫 번째 부분(파란색으로 강조 표시되었지만 필요 이상으로 약간 더 있습니다. 마지막 균형의 고장도 보여주기 때문에 시간이 오래 걸린다고 합니다)이 적용 후 매우 평범해 보입니다. 모델에 의해 악용되기 시작하는 일종의 패턴이 있는 반면 테스트 샘플(모델이 선택됨)에서는 테스트 샘플(훈련에 참여하지 않음)에서만큼 명확하지 않습니다. 아마도 이것은 언더트레이닝의 신호일 것입니다. 오버트레이닝보다 나은지 그것이 문제입니다.
관심 있는 사람이 있으면 배치 파일, 선택 항목, 명령줄을 통해 실행하기 위한 설정을 게시할 수 있습니다.
분당 옵션을 부여하고 테스터의 거래 보고서를 첨부합니다.
실제 성능이 약간 향상되었습니다.
샤프 비율은 현재 0.29입니다.
마지막으로 순열을 계산하고 예측변수 1개를 제거한 숲의 실제 재계산을 수행했습니다. 결과는 전혀 유사하지 않습니다.
순열의 저자들은 6개의 예측변수로 실험했고 나는 65개로 실험했습니다. 아마도 6개의 예측변수에서 노이즈 입력을 분리하는 것이 더 쉬울 것입니다. 게다가, 숲은 여전히 무작위입니다. 아마도 이것은 중요도 목록의 무작위성에 추가되었을 것입니다.
이제 동일한 데이터에 대해 다시 실행하고 아침에 4개의 중요 테이블을 비교할 것입니다.
가장 유사한 것은 순열 중요도의 2개 테이블이었습니다(동일한 데이터에 대한 다른 실행에서).
1개의 예측변수를 삭제할 때 포리스트를 다시 계산하여 얻은 중요도 테이블은 서로 유사하지 않으며 순열도 유사하지 않습니다.
안녕하세요 기계공 여러분!
그 중 한명인데 여기는 테스터 성배밖에 없고, 신랑의 견습생과 일행이 말슨 발레를 담당하고 있어요 :)
그 중 한명인데 여기는 테스터 성배밖에 없고, 신랑의 견습생과 일행이 말슨 발레를 담당하고 있어요 :)
케셴카 아들
나는 당신이 지겹다.
생각의 깊이
무슨 음절.