나는 내가 필요로 하는 것, 즉 사용자 정의 ff를 설정할 수 있는 가능성을 이해했습니다. 그러나 이 HMMFit() 함수는 하드코딩된 f로 Baum-Welsh를 구현하기 때문에 이러한 가능성을 지원하지 않습니다. 에프. - 헐. 일부 Baum-Welsh 매개변수만 설정할 수 있습니다.
사용자 정의 f를 설정할 수 있는 다른 패키지가 필요합니다. 에프.
웃긴건 AMO와 ff를 사용할 수 있는 그런 협약을 본적이 없다는거..
X,Y(날짜, 목표)를 설정하거나 X(날짜)만 설정합니다.
그러나 항상 AMO의 "배짱"에 들어가서 그들을 그곳으로 옮기고 f.f.의 관점에서 무슨 일이 일어날지 볼 기회가 있습니다.
내가하는 일은 이것이 내 인생 핵입니다. 나는 이런 식으로 뉴런을 훈련 시켰습니다. 숲도 이제 더 많은 SMM을 원합니다.
막심 드미트리예프스키 # : 소음은 모델을 빌드한 후 고정되어야 하며 다른 곳에서는 수요가 없습니다.
맞아요, 예측자와 타겟 사이의 연결을 말하는 겁니다.
따라서 분할 또는 예측 변수를 결합하는 다른 메커니즘을 사용하여 다른 샘플링 간격에서 "정상성"의 추정치를 제공하는 모델을 구성하는 방법을 모르겠습니다. 모든 모형이 표본 영역에 적합하여 개선의 정량적 지표만 추정하지만 간격으로 추정해야 모형이 더 안정적일 수 있습니다.
나는 내가 필요로 하는 것, 즉 사용자 정의 ff를 설정할 수 있는 가능성을 이해했습니다. 그러나 이 HMMFit() 함수는 하드코딩된 f로 Baum-Welsh를 구현하기 때문에 이러한 가능성을 지원하지 않습니다. 에프. - 헐. 일부 Baum-Welsh 매개변수만 설정할 수 있습니다.
사용자 정의 f를 설정할 수 있는 다른 패키지가 필요합니다. 에프.
웃긴건 AMO와 ff를 사용할 수 있는 그런 협약을 본적이 없다는거..
X,Y(날짜, 목표)를 설정하거나 X(날짜)만 설정합니다.
그러나 항상 AMO의 "배짱"에 들어가서 그들을 그곳으로 옮기고 f.f.의 관점에서 무슨 일이 일어날지 볼 기회가 있습니다.
내가하는 일은 이것이 내 인생 핵입니다. 나는 이런 식으로 뉴런을 훈련 시켰습니다. 숲도 이제 더 많은 SMM을 원합니다.
농담은 당신이 당신의 ff를 사용할 수있는 AMO와 그러한 계약을 본 적이 없다는 것입니다.
X,Y(날짜, 목표)를 설정하거나 X(날짜)만 설정합니다.
그러나 항상 AMO의 "배짱"에 들어가서 그들을 그곳으로 옮기고 f.f.의 관점에서 무슨 일이 일어날지 볼 기회가 있습니다.
내가하는 일은 이것이 내 인생 핵입니다. 나는 이런 식으로 뉴런을 훈련 시켰습니다. 숲도 이제 더 많은 SMM을 원합니다.
LightGBM에서는 직접 설정할 수 있지만 대부분 그런 가능성은 없습니다.
LightGBM에서는 직접 설정할 수 있지만 대부분 그런 가능성은 없습니다.
내가 사용하는 메트릭과 모델을 선택하는 데 사용하는 기준을 다시 말씀해 주시겠습니까?
결국 이것은 MO에서 가장 중요한 것, 근본적인 질문입니다 :-)
아마도 일반적으로 받아 들여지는 간단한 정의로 돌아가야 할 것입니다.
정상성의 정의와 관련하여 이것은 분명히 추상화입니다. 이것은 변동이 없는 한 지점이고 측정 창은 중요하지 않거나 여전히 최소 창 또는 측정 창 범위가 있는 변동이기 때문입니다.
반면에 규칙성은 정확하게 정상성을 생성할 수 있습니다. 이는 측정 창이 아닌 한 지점의 상태이기 때문입니다.
따라서 고정성은 예측 가능성에 직접적인 영향을 미치므로 이 고정성이 대상에 대한 정보를 포함하는 경우 학습에 영향을 줍니다.
앞서 썼듯이 지금은 주어진 측정 창에서 예측 변수의 정상성을 평가하여 예측 변수를 선택하는 접근 방식을 사용하고 있습니다.
LightGBM에서는 직접 설정할 수 있지만 대부분 그런 가능성은 없습니다.
여전히 xgboost 는 할 수 있지만 f 번째 Pts를 작성하십시오. 복잡한. 공식이 필요합니다.
http://biostat-r.blogspot.com/2016/08/xgboost.html - 6번째 단락.
정상성의 정의와 관련하여 이것은 분명히 추상화입니다. 이것은 변동이 없는 한 지점이고 측정 창은 중요하지 않거나 여전히 최소 창 또는 측정 창 범위가 있는 변동이기 때문입니다.
반면에 규칙성은 정확하게 정상성을 생성할 수 있습니다. 이는 측정 창이 아닌 한 지점의 상태이기 때문입니다.
따라서 고정성은 예측 가능성에 직접적인 영향을 미치므로 이 고정성이 대상에 대한 정보를 포함하는 경우 학습에 영향을 줍니다.
앞서 썼듯이 지금은 주어진 측정 창에서 예측 변수의 정상성을 평가하여 예측 변수를 선택하는 접근 방식을 사용하고 있습니다.
아무것도 이해하지 못했다
소음은 모델을 빌드한 후 고정되어야 하며 다른 곳에서는 수요가 없습니다.아무것도 이해하지 못했다
이해하시겠습니까?
맞춤 측정항목과 ff를 혼동하지 않으시겠습니까?
파이썬 의 예 는 아닌 것 같습니다.
소음은 모델을 빌드한 후 고정되어야 하며 다른 곳에서는 수요가 없습니다.
맞아요, 예측자와 타겟 사이의 연결을 말하는 겁니다.
따라서 분할 또는 예측 변수를 결합하는 다른 메커니즘을 사용하여 다른 샘플링 간격에서 "정상성"의 추정치를 제공하는 모델을 구성하는 방법을 모르겠습니다. 모든 모형이 표본 영역에 적합하여 개선의 정량적 지표만 추정하지만 간격으로 추정해야 모형이 더 안정적일 수 있습니다.