그건 그렇고, Maxim은 Si에 대해 다양한 상황(전략에 중요)에 대한 샘플의 균형을 잡았습니다. 실제로 테스트 및 검증 샘플에 대한 학습이 향상되었습니다. 검증 샘플의 정확도가 약 5-7% 증가했습니다. 그러나 테스트 샘플에 대한 예비 데이터에 따르면 결과는 금전적 측면에서 약간 악화되었습니다. 고정형 모델에는 이 방법이 아주 맞다고 생각하지만, 시장 모델이 바뀌는 경우에는 완전히 사실이 아닐 수도 있지만 이것이 최종 선택이 될 때까지 - 몇 천 개의 모델을 시드로 만들고 그렇게 될 것입니다. 최종적으로 결정할 수 있습니다.
그건 그렇고, Maxim은 Si에 대해 다양한 상황(전략에 중요)에 대한 샘플의 균형을 잡았습니다. 실제로 테스트 및 검증 샘플에 대한 학습이 향상되었습니다. 검증 샘플의 정확도가 약 5-7% 증가했습니다. 그러나 테스트 샘플에 대한 예비 데이터에 따르면 결과는 금전적 측면에서 약간 악화되었습니다. 고정형 모델에는 이 방법이 아주 맞다고 생각하지만, 시장 모델이 바뀌는 경우에는 완전히 사실이 아닐 수도 있지만 이것이 최종 선택이 될 때까지 - 몇 천 개의 모델을 시드로 만들고 그렇게 될 것입니다. 최종적으로 결정할 수 있습니다.
그런 다음 다른 모든 것의 균형을 맞추는 방법에 대해 생각해야 합니다. 어쨌든 train과 valid가 균형이 맞지 않으면 모델은 특히 모든 것을 valid에 의해 평가하는 catboost를 학습하지 않습니다.
나는 EURRUB 및 SBRF에 대한 내 예측자 세트를 시도했지만 어떻게 든 유태인에게 불쾌하게 쏟아졌습니다.
교육:
확인:
시험:
하지만 전반적으로 비용 절감에 만족했습니다. 선택할 수 있는 항목이 많이 있습니다.
교육:
확인:
시험:
2018년에 대한 이벤트 간격 2014-2019 테스트 - 분.
물론 거래가 많지 않고 아마도 대부분의 예측 변수가 버려질 수 있지만 여전히 흥미로운 결과라고 생각합니다.
EURRUB 오류의 균형이 꽤 좋아 보인다고 덧붙입니다. 분명히 이익이 손실을 덮지 않습니다. 쌍이 너무 긴장하고 있습니다...
올렉, 그만해 그 동지는 너무 똑똑해서 일주일 동안 그는 아빠가 계단에서 떨어질 때까지 이 문제에 대한 그의 진술 범위에 대해 아무 말도 할 수 없다는 생각을 우리에게 전달하려고 노력하고 있습니다. 왜냐하면 왜냐하면. 그들은 존재하지 않습니다.
예, 소용없습니다.
올렉, 그만해 그 동지는 너무 똑똑해서 일주일 동안 그는 아빠가 계단에서 떨어질 때까지 이 문제에 대한 그의 진술 범위에 대해 아무 말도 할 수 없다는 생각을 우리에게 전달하려고 노력하고 있습니다. 왜냐하면 왜냐하면. 그들은 존재하지 않습니다.
라디오 아마추어는 계산할 때와 작업할 때에도 생각하는 것을 피합니다. 통계에 따르면 사다리에서 떨어지는 것은 종종 사망을 초래하므로 타락한 사람의 진술을 예측할 수 없게 만듭니다.
라디오 아마추어는 계산할 때와 작업할 때에도 생각하는 것을 피합니다. 통계에 따르면 계단에서 떨어지는 경우 종종 사망에 이르게 되며, 이로 인해 넘어진 사람의 진술을 예측할 수 없게 됩니다.
위험한 방사성 물질을 생산하는 라디오 아마추어는 평생 일하고 탄두를 보호했기 때문에 연설에서 생생한 초현실주의가 나타났습니다.
그건 그렇고, Maxim은 Si에 대해 다양한 상황(전략에 중요)에 대한 샘플의 균형을 잡았습니다. 실제로 테스트 및 검증 샘플에 대한 학습이 향상되었습니다. 검증 샘플의 정확도가 약 5-7% 증가했습니다. 그러나 테스트 샘플에 대한 예비 데이터에 따르면 결과는 금전적 측면에서 약간 악화되었습니다. 고정형 모델에는 이 방법이 아주 맞다고 생각하지만, 시장 모델이 바뀌는 경우에는 완전히 사실이 아닐 수도 있지만 이것이 최종 선택이 될 때까지 - 몇 천 개의 모델을 시드로 만들고 그렇게 될 것입니다. 최종적으로 결정할 수 있습니다.
위험한 방사성 물질을 생산하는 라디오 아마추어는 평생 일하고 탄두를 보호했기 때문에 연설에서 생생한 초현실주의가 나타났습니다.
이것은 핵 패리티의 현실에 의문을 던진다)
그건 그렇고, Maxim은 Si에 대해 다양한 상황(전략에 중요)에 대한 샘플의 균형을 잡았습니다. 실제로 테스트 및 검증 샘플에 대한 학습이 향상되었습니다. 검증 샘플의 정확도가 약 5-7% 증가했습니다. 그러나 테스트 샘플에 대한 예비 데이터에 따르면 결과는 금전적 측면에서 약간 악화되었습니다. 고정형 모델에는 이 방법이 아주 맞다고 생각하지만, 시장 모델이 바뀌는 경우에는 완전히 사실이 아닐 수도 있지만 이것이 최종 선택이 될 때까지 - 몇 천 개의 모델을 시드로 만들고 그렇게 될 것입니다. 최종적으로 결정할 수 있습니다.
그런 다음 다른 모든 것의 균형을 맞추는 방법에 대해 생각해야 합니다. 어쨌든 train과 valid가 균형이 맞지 않으면 모델은 특히 모든 것을 valid에 의해 평가하는 catboost를 학습하지 않습니다.
그런 다음 다른 모든 것의 균형을 맞추는 방법에 대해 생각해야 합니다. 어쨌든 train과 valid가 균형이 맞지 않으면 모델은 특히 모든 것을 valid에 의해 평가하는 catboost를 학습하지 않습니다.
검증이 중지되었습니다. 즉, 샘플이 훈련보다 검증에 더 가깝다면 반복되지 않을 내용을 학습하지 않습니다. 또 다른 사실은 중간 가비지 트리가 뿌리 뽑힐 수만 있다면 검증에 대한 판독값을 개선하는 것과 훈련 자체 사이에 종종 발생한다는 것입니다.
여기서 주요 질문은 과거가 곧 반복될 것인지, 현재가 어떻게 변하고 있는지, 속도 또는 점프를 나타내는 것입니다. 이러한 질문에 대한 답변은 샘플을 구축하는 가장 좋은 방법에 대한 많은 정보를 제공합니다.
글쎄, 주요 문제는 데이터가 부족하다는 것입니다. 교육 및 검증을 위한 라인이 10,000개 미만입니다.
글쎄, 주요 문제는 데이터가 부족하다는 것입니다. 교육 및 검증을 위한 라인이 10,000개 미만입니다.
특히 찾고 있는 것이 무엇인지 모르는 경우에는 충분하지 않습니다. 예, 그리고 당신도 알다시피, 그것이 있다는 사실은 아닙니다.
물론 일반적인 단어이지만 어디에나 있고 항상 정기적으로 반복되는 것을 찾아야합니다. 그렇지 않으면 MO를 훈련할 수 없습니다.