동일한 예가 여러 상태를 설명하는 경우 사용 가능한 알고리즘으로 분류할 때 n이 상태 수인 1/n에 가까운 확률을 얻을 수 있다는 점에 동의합니다.
그러나 절대적으로 유사한 예는 없으며 어느 정도 유사합니다. 문제는 이 "유사성"을 식별하는 방법입니다.
M5에서 3개월 동안 100개의 예... 흥미롭습니다... 교육을 받기 전에 거래할 때 사용하는 규칙에 따라 초기 샘플에서 샘플을 선택합니까?
절대적으로 유사한 예는 존재하지 않습니다. 맞습니다. 그러나 벡터의 근접성 개념이 있으며 두 벡터가 서로 매우 가깝지만 대상 값이 다른 경우 알고리즘이 약간 구부러지게 하고, 이는 입력 벡터의 약간의 변경이 상당한 변경 결과로 이어지는 경우 모델 안정성의 감소로 이어집니다. 모델이 입력 데이터에 극도로 민감해져서 실수를 더 자주 범할 수 있기 때문에 이것도 좋지 않습니다.
M5에서 3개월 동안 100개의 예제는 데이터 씬닝에 의해 달성됩니다. 이는 모든 막대가 아니라 분석 조건이 형성된 특정 시점에만 시장을 분석하도록 하는 기본 전략입니다. 내가 말하는 내용을 이해하려면 내 기사를 읽으십시오. 사실, 이미 다소 구식이고 많이 사용하지 않지만 (더 이동했습니다) 기본 개념에서는 모든 것이 변경되지 않은 상태로 유지되었습니다 !!!
고맙습니다. 아마도 이것은 고뇌가 아니라 나의 기본 지식이 부족하기 때문일 것입니다.
여러 독립 변수 집합이 단일 변수에 해당하는 경우에도 마찬가지입니까?
당신은 당신이 쓴 것을 이해합니까?
동일한 예가 여러 상태를 설명하는 경우 사용 가능한 알고리즘으로 분류할 때 n이 상태 수인 1/n에 가까운 확률을 얻을 수 있다는 점에 동의합니다.
그러나 절대적으로 유사한 예는 없으며 어느 정도 유사합니다. 문제는 이 "유사성"을 식별하는 방법입니다.
M5에서 3개월 동안 100개의 예... 흥미롭습니다... 교육을 받기 전에 거래할 때 사용하는 규칙에 따라 초기 샘플에서 샘플을 선택합니까?
절대적으로 유사한 예는 존재하지 않습니다. 맞습니다. 그러나 벡터의 근접성 개념이 있으며 두 벡터가 서로 매우 가깝지만 대상 값이 다른 경우 알고리즘이 약간 구부러지게 하고, 이는 입력 벡터의 약간의 변경이 상당한 변경 결과로 이어지는 경우 모델 안정성의 감소로 이어집니다. 모델이 입력 데이터에 극도로 민감해져서 실수를 더 자주 범할 수 있기 때문에 이것도 좋지 않습니다.
M5에서 3개월 동안 100개의 예제는 데이터 씬닝에 의해 달성됩니다. 이는 모든 막대가 아니라 분석 조건이 형성된 특정 시점에만 시장을 분석하도록 하는 기본 전략입니다. 내가 말하는 내용을 이해하려면 내 기사를 읽으십시오. 사실, 이미 다소 구식이고 많이 사용하지 않지만 (더 이동했습니다) 기본 개념에서는 모든 것이 변경되지 않은 상태로 유지되었습니다 !!!
네. 이를 데이터 불일치라고 합니다. 나는 20년 동안 네트워크를 해왔고 이 지점을 지켰다 고 말할 수 있습니다. 근데 왜 물어보는거야?
또 뭔소리야?? :))
아니면 더 흥미로운 것으로 넘어갔습니까? ))네, 그렇습니다. 이를 데이터 불일치라고 합니다. 나는 20년 동안 네트워크를 해왔고 이 지점을 지켰다고 말할 수 있습니다. 근데 왜 물어보는거야?
또 뭔소리야?? :))
아니면 더 흥미로운 것으로 넘어갔습니까? ))아니요. 단순히 아니오
당신은 더 명확 할 수 없습니다. 그렇지 않으면 당신이 말하고 싶은 것이 완전히 명확하지 않습니다. 정말 명확하지 않습니다 :-)
RANDOM SERIES에 머신 러닝 기법을 적용할 때, 동일한 입력 변수 집합이 동일한 종속 변수에 해당하는 상황은 실질적으로 발생하지 않습니다. 종속 변수의 다른 값은 최소화해야 하는 예측 오류를 형성합니다.
이 스레드는 모두 예측 오류를 최소화하는 것에 관한 것입니다.
기본적인 진리....
RANDOM SERIES 에 머신러닝 기법을 적용할 때,
왜 랜덤?