예, 실제로 예측 지표에 노이즈를 추가합니다. 이것은 양자화 경계에 영향을 주어 섹션 선택을 향상시킬 수 있지만 중복을 추가할 때 동일한 효과가 있어야 한다는 아이디어는 유일한 것입니다. 확인), 예 - 옵션입니다.
오히려 양자화는 이 노이즈를 전혀 감소시킵니다. 한 열에 10,000개의 서로 다른 값이 있는 경우 255개 양자화할 때 평균 40개의 다른 값이 하나의 양자에 속합니다. 또는 다른 예 - 원래 1000개의 예가 있었다면 노이즈를 추가하여 10,000개의 예를 얻은 다음 자체적으로 255개의 다른 양자/값으로 양자화합니다. 제 생각에는 이 노이즈 추가로 추가 작업이 필요합니다.
나는 최근에 코드를 보았다 - 나는 중복 제거를 보지 못했다. 오히려 40가지 다른 예 중 하나의 퀀텀으로 결합하여 복제를 만듭니다.
도서관 : 나는 나무의 깊이를 늘리는 것이 균형을 잡는 것보다 나쁘지 않을 것이라고 생각합니다.
깊이를 늘릴 수도 있습니다. 학습률을 동시에 줄이는 것도 필요합니다. 이는 또한 불균형 샘플의 결과를 향상시킵니다.
도서관 :
오히려 양자화는 이 노이즈를 전혀 감소시킵니다. 한 열에 10,000개의 서로 다른 값이 있는 경우 255개 양자화할 때 평균 40개의 다른 값이 하나의 양자에 속합니다. 또는 다른 예 - 원래 1000개의 예가 있었다면 노이즈를 추가하여 10,000개의 예를 얻은 다음 자체적으로 255개의 다른 양자/값으로 양자화합니다. 제 생각에는 이 노이즈 추가로 추가 작업이 필요합니다.
그들은 범위에 있는 물체의 밀집을 고려하는 방법을 포함하여 다양한 양자화 방법을 사용합니다.
도서관 :
나는 최근에 코드를 보았다 - 나는 중복 제거를 보지 못했다. 오히려 40가지 다른 예 중 하나의 퀀텀으로 결합하여 복제를 만듭니다.
코드에서 양자화 프로세스(경계 설정)를 발견했다면 이 코드를 게시할 수 있습니까? 기능이 있습니까?
한 클래스의 큰 포인트 클라우드와 한 번도 실행되지 않은 측면(또는 내부)에 다른 클래스의 여러 샘플이 있습니다.
두 번째 클래스는 정상적인 크기로 부풀려야 합니다.
깊이를 높이면 잎에서 적은 수의 예제가 있는 영역을 강조 표시하는 데 도움이 됩니다. 또 다른 한 가지는 0이 있는 잎의 백분율이 동일하게 유지될 수 있으며 후속 나무가 이러한 단위를 다시 덮어씁니다. 이러한 샘플을 훈련할 때 훈련 도중 Recall이 어떻게 0이 되었다가 다시 작은 비율로 돌아가는지 볼 수 있습니다.
샘플을 주면 부풀릴 수 있습니까? 이 방법이 효과가 있다면 MT5에서 구현하는 것이 가장 좋은 방법을 생각해 보겠습니다.
깊이를 높이면 잎에서 적은 수의 예제가 있는 영역을 강조 표시하는 데 도움이 됩니다. 또 다른 한 가지는 0이 있는 잎의 백분율이 동일하게 유지될 수 있으며 후속 나무가 이러한 단위를 다시 덮어씁니다. 이러한 샘플을 훈련할 때 훈련 도중 Recall이 어떻게 0이 되었다가 다시 작은 비율로 돌아가는지 볼 수 있습니다.
샘플을 주면 부풀릴 수 있습니까? 이 방법이 효과가 있다면 MT5에서 구현하는 것이 가장 좋은 방법을 생각해 보겠습니다.
저 할 수 있어요. 나뭇잎과 물건에 대한 모든 헛소리입니다. 수업은 균형을 이루어야 합니다.
그래야만 합니다. NS 클래스에 의한 밸런싱이 필요합니다. 나무는 잘 할 것입니다.
글쎄, 그들은 항상 대처하지 않습니다. 나는 더 일찍 썼습니다.
그의 기사(학습 접근 방식)에서 불타버린 수익성 있는 조언자처럼 보입니다.
그래프에서 매월 말 모델의 재무 결과는 첫 번째 모델이 12개월 동안 훈련된 다음 USDRUB_TOM에 대한 Si 선물 계약을 결합하여 새로운 달의 기록이 여기에 추가됩니다.
글쎄, 그들은 항상 대처하지 않습니다. 나는 더 일찍 썼습니다.
예, 실제로 예측 지표에 노이즈를 추가합니다. 이것은 양자화 경계에 영향을 주어 섹션 선택을 향상시킬 수 있지만 중복을 추가할 때 동일한 효과가 있어야 한다는 아이디어는 유일한 것입니다. 확인), 예 - 옵션입니다.
오히려 양자화는 이 노이즈를 전혀 감소시킵니다. 한 열에 10,000개의 서로 다른 값이 있는 경우 255개 양자화할 때 평균 40개의 다른 값이 하나의 양자에 속합니다. 또는 다른 예 - 원래 1000개의 예가 있었다면 노이즈를 추가하여 10,000개의 예를 얻은 다음 자체적으로 255개의 다른 양자/값으로 양자화합니다. 제 생각에는 이 노이즈 추가로 추가 작업이 필요합니다.
나는 최근에 코드를 보았다 - 나는 중복 제거를 보지 못했다. 오히려 40가지 다른 예 중 하나의 퀀텀으로 결합하여 복제를 만듭니다.
나는 나무의 깊이를 늘리는 것이 균형을 잡는 것보다 나쁘지 않을 것이라고 생각합니다.
깊이를 늘릴 수도 있습니다. 학습률을 동시에 줄이는 것도 필요합니다. 이는 또한 불균형 샘플의 결과를 향상시킵니다.
오히려 양자화는 이 노이즈를 전혀 감소시킵니다. 한 열에 10,000개의 서로 다른 값이 있는 경우 255개 양자화할 때 평균 40개의 다른 값이 하나의 양자에 속합니다. 또는 다른 예 - 원래 1000개의 예가 있었다면 노이즈를 추가하여 10,000개의 예를 얻은 다음 자체적으로 255개의 다른 양자/값으로 양자화합니다. 제 생각에는 이 노이즈 추가로 추가 작업이 필요합니다.
그들은 범위에 있는 물체의 밀집을 고려하는 방법을 포함하여 다양한 양자화 방법을 사용합니다.
나는 최근에 코드를 보았다 - 나는 중복 제거를 보지 못했다. 오히려 40가지 다른 예 중 하나의 퀀텀으로 결합하여 복제를 만듭니다.
코드에서 양자화 프로세스(경계 설정)를 발견했다면 이 코드를 게시할 수 있습니까? 기능이 있습니까?
그리고 여기서 깊이의 증가
한 클래스의 큰 포인트 클라우드와 한 번도 실행되지 않은 측면(또는 내부)에 다른 클래스의 여러 샘플이 있습니다.
두 번째 클래스는 적절한 크기로 확장되거나 하나의 클래스 분류 알고리즘을 사용해야 합니다.
그리고 여기에 깊이의 증가
한 클래스의 큰 포인트 클라우드와 한 번도 실행되지 않은 측면(또는 내부)에 다른 클래스의 여러 샘플이 있습니다.
두 번째 클래스는 정상적인 크기로 부풀려야 합니다.
깊이를 높이면 잎에서 적은 수의 예제가 있는 영역을 강조 표시하는 데 도움이 됩니다. 또 다른 한 가지는 0이 있는 잎의 백분율이 동일하게 유지될 수 있으며 후속 나무가 이러한 단위를 다시 덮어씁니다. 이러한 샘플을 훈련할 때 훈련 도중 Recall이 어떻게 0이 되었다가 다시 작은 비율로 돌아가는지 볼 수 있습니다.
샘플을 주면 부풀릴 수 있습니까? 이 방법이 효과가 있다면 MT5에서 구현하는 것이 가장 좋은 방법을 생각해 보겠습니다.
깊이를 높이면 잎에서 적은 수의 예제가 있는 영역을 강조 표시하는 데 도움이 됩니다. 또 다른 한 가지는 0이 있는 잎의 백분율이 동일하게 유지될 수 있으며 후속 나무가 이러한 단위를 다시 덮어씁니다. 이러한 샘플을 훈련할 때 훈련 도중 Recall이 어떻게 0이 되었다가 다시 작은 비율로 돌아가는지 볼 수 있습니다.
샘플을 주면 부풀릴 수 있습니까? 이 방법이 효과가 있다면 MT5에서 구현하는 것이 가장 좋은 방법을 생각해 보겠습니다.
저 할 수 있어요. 나뭇잎과 물건에 대한 모든 헛소리입니다. 수업은 균형을 이루어야 합니다.
여기 선택 사항이 있습니다. 내가 이해하는 한 3개 부분으로 나누어져 있는데, train.csv만 수정하면 됩니까?
대상 열 "Target_100" - 마지막 4개 열은 교육에 포함되지 않습니다(날짜가 있는 열로 이동할 수 있음) - 균형을 구축하는 데 필요합니다.
그의 기사(학습 접근 방식)에서 불타버린 수익성 있는 조언자처럼 보입니다.
그래프에서 매월 말 모델의 재무 결과는 첫 번째 모델이 12개월 동안 훈련된 다음 USDRUB_TOM에 대한 Si 선물 계약을 결합하여 새로운 달의 기록이 여기에 추가됩니다.
수익성 있는 잔액은 같은 각도에서 UP
재투자하면 기하학적으로