그들은 기사를 원했던 것 같습니다 .. 접근 방식의 본질을 설명하십시오. 나는 아직도 당신이 무엇을하는지 이해하지 못합니다 :D
나는 특징이 시계열(있는 경우)에서 모델 자체에 의해 자동으로 추출되어야 한다는 견해를 고수합니다. 그리고 수동으로 아무것도 할 필요가 없습니다. 충분한 증분. 문제는 건축이다. 예를 들어, NLP(신경 언어 처리)에서와 같이 신경망 자체가 단어 시퀀스의 컨텍스트를 결정합니다. 시계열 판독값 간의 연결.
유전 트리와 CatBoost는 느슨하게 관련되어 있으므로 CatBoost에 대한 기사를 작성할 계획입니다. 예측지표의 안정성에 미흡한 점을 발견하고 이를 바로잡는 데 온 힘을 쏟았다는 이유로 글을 미루면서 동시에 새로운 예측변수를 만들었다. 주말까지 컴퓨팅 프로세스를 시작할 계획이며(그렇지 않으면 서버가 유휴 상태일 때 짜증이 납니다) 기사를 쓸 시간이 있을 것입니다. 월말까지 첫 번째 부분을 작성하려고 합니다. 이 기사는 CatBoost에서 모델을 만드는 주방에 관한 것입니다.
유전 나무의 경우 모든 것이 더 복잡합니다. 여기에는 아직 기사가 없지만 접근 방식은 역사에서 데이터 조각을 안정적으로 분류하는 나무에서 잎을 선택하는 것입니다. 실제로 응답의 0.5% -3%입니다. 전체 샘플에는 그러한 잎이 더 많고 훨씬 더 좋습니다. 이제 구매 및 판매를 위한 약 1000개가 있습니다. 또한 선택한 잎도 필터링하는 잎을 찾고 있습니다. 즉, 나는 추가 교육을 수행하여 정확도를 높입니다. 잎은 유사성에 따라 그룹화되며(아직 수행해야 할 작업이 있음), 해당 답변은 기록에 대한 각 그룹 내에서 가중치가 부여되고 임계값은 잎 그룹에서 신호 가 생성되는 지점이 결정됩니다. 여기에 추가 필터는 모든 잎 또는 그룹의 응답에 따라 구축된 유전 트리입니다. 이 접근 방식을 사용하면 불균형 샘플로 분류의 완전성을 크게 높일 수 있습니다. 제 경우에는 목표 "0"이 약 65%인 3개의 목표 샘플이 있습니다.
잎을 선택하는 기준과 이를 결합하는 기술에 대한 작업은 개선 가능성이 크며, 이는 모델이 더 나은 품질로 판명될 수 있음을 의미합니다.
나는 특징이 시계열(있는 경우)에서 모델 자체에 의해 자동으로 추출되어야 한다는 견해를 고수합니다. 그리고 수동으로 아무것도 할 필요가 없습니다. 충분한 증분. 문제는 건축이다. 예를 들어, NLP(신경 언어 처리)에서와 같이 신경망 자체가 단어 시퀀스의 컨텍스트를 결정합니다. 시계열 판독값 간의 연결.
나는 아키텍처에 동의합니다. 완전히 다른 아키텍처가 필요하며 네트워크 세트가 필요합니다.
1. 이미지 식별
2. 이미지의 공간적 순서 결정
3. 공간에 배치된 이미지에서 패턴 찾기
이제 내 두뇌를 사용하여 예측자를 구성하여 네트워크 1과 2를 해결하고 CatBoost 는 세 번째 작업에 대처합니다. 이러한 네트워크를 하나로 통합하는 것은 어려울 것입니다. 각 방향으로 개별적으로 작업한 다음 이러한 네트워크를 결합하려고 합니까?
그들은 기사를 원했던 것 같습니다 .. 접근 방식의 본질을 설명하십시오. 나는 아직도 당신이 무엇을하는지 이해하지 못합니다 :D
나는 특징이 시계열(있는 경우)에서 모델 자체에 의해 자동으로 추출되어야 한다는 견해를 고수합니다. 그리고 수동으로 아무것도 할 필요가 없습니다. 충분한 증분. 문제는 건축이다. 예를 들어, NLP(신경 언어 처리)에서와 같이 신경망 자체가 단어 시퀀스의 컨텍스트를 결정합니다. 시계열 판독값 간의 연결.
유전 트리와 CatBoost는 느슨하게 관련되어 있으므로 CatBoost에 대한 기사를 작성할 계획입니다. 예측지표의 안정성에 미흡한 점을 발견하고 이를 바로잡는 데 온 힘을 쏟았다는 이유로 글을 미루면서 동시에 새로운 예측변수를 만들었다. 주말까지 컴퓨팅 프로세스를 시작할 계획이며(그렇지 않으면 서버가 유휴 상태일 때 짜증이 납니다) 기사를 쓸 시간이 있을 것입니다. 월말까지 첫 번째 부분을 작성하려고 합니다. 이 기사는 CatBoost에서 모델을 만드는 주방에 관한 것입니다.
유전 나무의 경우 모든 것이 더 복잡합니다. 여기에는 아직 기사가 없지만 접근 방식은 역사에서 데이터 조각을 안정적으로 분류하는 나무에서 잎을 선택하는 것입니다. 실제로 응답의 0.5% -3%입니다. 전체 샘플에는 그러한 잎이 더 많고 훨씬 더 좋습니다. 이제 구매 및 판매를 위한 약 1000개가 있습니다. 또한 선택한 잎도 필터링하는 잎을 찾고 있습니다. 즉, 나는 추가 교육을 수행하여 정확도를 높입니다. 잎은 유사성에 따라 그룹화되며(아직 수행해야 할 작업이 있음), 해당 답변은 기록에 대한 각 그룹 내에서 가중치가 부여되고 임계값은 잎 그룹에서 신호 가 생성되는 지점이 결정됩니다. 여기에 추가 필터는 모든 잎 또는 그룹의 응답에 따라 구축된 유전 트리입니다. 이 접근 방식을 사용하면 불균형 샘플로 분류의 완전성을 크게 높일 수 있습니다. 제 경우에는 목표 "0"이 약 65%인 3개의 목표 샘플이 있습니다.
잎을 선택하는 기준과 이를 결합하는 기술에 대한 작업은 개선 가능성이 크며, 이는 모델이 더 나은 품질로 판명될 수 있음을 의미합니다.
예측 변수는 어떻습니까?
그래서 망했어, 내 자신에 대해 생각했다)
나는 특징이 시계열(있는 경우)에서 모델 자체에 의해 자동으로 추출되어야 한다는 견해를 고수합니다. 그리고 수동으로 아무것도 할 필요가 없습니다. 충분한 증분. 문제는 건축이다. 예를 들어, NLP(신경 언어 처리)에서와 같이 신경망 자체가 단어 시퀀스의 컨텍스트를 결정합니다. 시계열 판독값 간의 연결.
나는 아키텍처에 동의합니다. 완전히 다른 아키텍처가 필요하며 네트워크 세트가 필요합니다.
1. 이미지 식별
2. 이미지의 공간적 순서 결정
3. 공간에 배치된 이미지에서 패턴 찾기
이제 내 두뇌를 사용하여 예측자를 구성하여 네트워크 1과 2를 해결하고 CatBoost 는 세 번째 작업에 대처합니다. 이러한 네트워크를 하나로 통합하는 것은 어려울 것입니다. 각 방향으로 개별적으로 작업한 다음 이러한 네트워크를 결합하려고 합니까?
이제 내 두뇌를 사용하여 예측자를 구성하여 네트워크 1과 2를 해결하고 CatBoost는 세 번째 작업에 대처합니다. 이러한 네트워크를 하나로 통합하는 것은 어려울 것입니다. 각 방향으로 개별적으로 작업한 다음 이러한 네트워크를 결합하려고 합니까?
계속해서 개선되고 있는 신제품을 주시해야 합니다. 현대 그리드에는 한 번에 모든 작업을 수행하는 그런 작업이 있습니다.
수동으로 예측자를 찾는 것은 마치 곡괭이가 달린 돌처럼 이미 지난 세기입니다. 그리고 모두가 보았듯이 거의 작동하지 않습니다.계속해서 개선되고 있는 신제품을 주시해야 합니다. 현대 그리드에는 한 번에 모든 작업을 수행하는 그런 작업이 있습니다.
수동으로 예측자를 찾는 것은 마치 곡괭이가 달린 돌처럼 이미 지난 세기입니다. 그리고 모두가 보았듯이 거의 작동하지 않습니다.이것은 한 번에 모두 이루어져야 하는 매우 복잡한 아키텍처이며 아키텍처가 복잡할수록 더 많은 컴퓨팅 성능이 필요합니다.
그러나 용량이 필요한 경우(구형 서버 및 GPU가 있음) 아이디어를 제공할 준비가 되어 있습니다.
이것은 한 번에 모두 이루어져야 하는 매우 복잡한 아키텍처이며 아키텍처가 복잡할수록 더 많은 컴퓨팅 성능이 필요합니다.
그러나 용량이 필요한 경우(구형 서버 및 GPU가 있음) 아이디어를 제공할 준비가 되어 있습니다.
복잡하지 않고 이해만 하시면 됩니다
전원이 전혀 필요하지 않습니다. 몇 시간이 걸리는 랩톱에 LSTM이 있습니다. 비디오 카드 없이 몇 분. 권력은 신화입니다.
이것은 한 번에 모두 이루어져야 하는 매우 복잡한 아키텍처이며 아키텍처가 복잡할수록 더 많은 컴퓨팅 성능이 필요합니다.
그러나 용량이 필요한 경우(구형 서버 및 GPU가 있음) 아이디어를 제공할 준비가 되어 있습니다.
개인적인 의견을 말할 준비가 되셨습니까?
복잡하지 않고 이해만 하시면 됩니다
전원이 전혀 필요하지 않습니다. 몇 시간이 걸리는 랩톱에 LSTM이 있습니다. 비디오 카드 없이 몇 분. 권력은 신화입니다.
복잡한 아키텍처는 작동하지 않는다고 그들은 위에서 말했습니다. 간단한 것들의 경우 정지가 필요합니다 ...주기.
와우, 몇 분이면 멋지고 네트워크 토폴로지는 무엇이며 레이어, 뉴런은 몇 개입니까?
개인적인 의견을 말할 준비가 되셨습니까?
개인사정으로 가능합니다.
복잡한 아키텍처는 작동하지 않는다고 그들은 위에서 말했습니다. 간단한 것들의 경우 정지가 필요합니다 ...주기.
와우, 몇 분이면 멋지고 네트워크 토폴로지는 무엇이며 레이어, 뉴런은 몇 개입니까?
젠장 .. 이해 측면에서 어렵지 않습니다, 당신은 할 수 있습니다
일반적으로 몇 개의 레이어로 충분하며 Forex에서는 많은 깊이가 필요하지 않습니다.
그것은 단지 구조적으로 vr을 위한 더 진보된 네트워크가 있다는 것입니다. 갑자기 lstm입니다. 거기에서 이익이있을 수 있습니다. 아직 확인하지 않았습니다. 부스팅과 퍼셉트론과 같은 "고전적인" 모든 것은 VR에 전혀 적합하지 않습니다.