슬로우 플라이, 500바에 한 번씩 발생하는 드문 이벤트인데, 새로운 바를 모두 예측한다고요?
내 관찰에 따르면 신경망에 "도끼", "무거운"무언가를 추가하지만 악기와 관련이 있으면 한편으로는 훈련 후 백 테스트에서 균형 선을 왜곡합니다. 그러나! 또한 전방 라인을 균등화하고 매번 바닥으로가는 것을 멈추고 평평 해집니다. 즉, 대략적으로 말하면 돈을 벌지는 못하지만 전체 데포를 잃지 않을 것이며 이것이 거래의 첫 번째 규칙입니다. 다음 작업은 균형선을 위로 돌리는 것이기 때문에이 방향으로 저글링해야한다는 것이 밝혀졌습니다.
나는 OLS와 ANOVA와 그들의 추정치의 유의성에 대한 해석을 알고 있으며, 재 샘플링이 당신의 "능력"에 대해 아무것도 바꾸지 않는다는 사실은 "if-then"함수가 모델을 구축하지 않고 (심지어 모델링의 통계적 근거를 무시하려고 시도) 클래스 디스트 결과의 유의 계수를 추정 할 수없고 신뢰할 수있는 답변의 비율 만 추정 할 수 있다는 것을 나타낼뿐입니다....?
== 기본 개념에서 구별 할 수없는 파리와 커틀릿의 동일한 문제가 "도구"에 대한 외침과 함께 마크에 맞거나 맞지 않는 문제.... 글쎄요, 예, 30 % 확률로 (일부 도구는 여전히 약간 구별 가능) - 아마도 "아무것도하지 않음"은 70 % 추측으로 구별 할 수 있을까요?
а сделать информативную разметку фича-целевая сразу. - это по приведенным мною картинкам, которые и делают информативную разметку фича-целевая сразу. Там не увидел разметку целевой для конкретных признаков
오버샘플링 후 예측자의 새로운 예측력이 가치가 있을까요? 누가 그런 생각을 해봤을까요?
아니요. 확인했습니다.
아래에서 기간 512-256-128-64-32-16-16-8-4-4-2-1이있는 마쉬카와 그 중요도가 입력에 공급됩니다 (여기에서도 입력입니다).
흥미로운 사실은 신경망이 더 긴 기간보다 더 짧은 기간으로 마샤의 중요성을 판단했다는 것입니다.) 일종의 불일치, ......
내 관찰에 따르면 신경망에 "도끼", "무거운"무언가를 추가하지만 악기와 관련이 있으면 한편으로는 훈련 후 백 테스트에서 균형 선을 왜곡합니다. 그러나! 또한 전방 라인을 균등화하고 매번 바닥으로가는 것을 멈추고 평평 해집니다. 즉, 대략적으로 말하면 돈을 벌지는 못하지만 전체 데포를 잃지 않을 것이며 이것이 거래의 첫 번째 규칙입니다. 다음 작업은 균형선을 위로 돌리는 것이기 때문에이 방향으로 저글링해야한다는 것이 밝혀졌습니다.
무슨 말씀인지 모르겠네요.
저는 시간을 사용하지 않고 증분에 내장되어 있습니다.지난번에는 요일별 거래 시간은 기억나지 않지만 17시부터 18시까지 시간대별 거래는 확실합니다. 즉, 수동으로 시간을 세분화하거나 다른 것이지만 특정 기간에 대한 최종 교육입니다.
일반적으로 시간 구간으로 나누지 않고 증분이 이러이러한 시간 간격에 이러이러한 경우 구문을 사용하거나 먼저 무언가가있는 시간 구간을 찾은 다음 훈련합니까?
시간 기반 표지판은 사용되지 않습니다. 예측력이 낮고 예측력의 변동 폭이 매우 큽니다. 하지만 마쉬카 변형보다는 낫습니다.
고마워요.
지난번 거래 시간은 요일은 기억나지 않지만 정확히 17시에서 18시 같은 시간대였습니다. 즉, 수동이든 다른 방식이든 특정 시간대에 대한 최종 교육입니다.
일반적으로 시간 구간으로 나누지 않고 증분이 이러이러한 시간 간격에 이러이러한 경우 구문을 사용하거나 먼저 무언가가있는 시간 구간을 찾은 다음 훈련합니까?
링크를 주실 수 있나요? 무슨 말인지 모르겠어요.
오버샘플링 후 예측자의 새로운 예측력이 가치가 있을까요? 이에 대해 누가 생각해 보셨나요?
변하지 않습니다. 확인했습니다.
공변량과 상관 관계를 구별하지 않는 사람이라면 그런 사람에게 중앙값이 무엇을 의미하는지 묻지도 않습니다.
그러나 예측자를 클래스별로 나누어 얻은 두 벡터 사이의 중앙값의 차이로 이해되는 "예측 능력"은 절대적으로 정확합니다.
설명에 따르면 이것은 "선"입니다. ML에서는 모든 분류 알고리즘의 임계값에 불과합니다....
그가 표준 집단 간 분산 분석을 수행했다면 통계적 유의성을 추정할 수 있었겠지만, 물론 오버샘플링은 그에게 아무것도 바꾸지 않습니다(단지 클래스 멤버십에 대한 올바른 추측의 %%를 계산할 뿐입니다)....
공변량 그림을 언급 한 후 그가 파리와 커틀릿을 비교하고 있다는 것을 분명히 말할 수 있습니다... 그의 질문에 대한이 질문을 증명합니다 (그는 상관 관계를 매우 미끄럽게 잊고 기억합니다).
1. 실제 변수와 명목 변수 간의 상관 관계를 알고 있습니까?
나는 OLS와 ANOVA와 그들의 추정치의 유의성에 대한 해석을 알고 있으며, 재 샘플링이 당신의 "능력"에 대해 아무것도 바꾸지 않는다는 사실은 "if-then"함수가 모델을 구축하지 않고 (심지어 모델링의 통계적 근거를 무시하려고 시도) 클래스 디스트 결과의 유의 계수를 추정 할 수없고 신뢰할 수있는 답변의 비율 만 추정 할 수 있다는 것을 나타낼뿐입니다....?
== 기본 개념에서 구별 할 수없는 파리와 커틀릿의 동일한 문제가 "도구"에 대한 외침과 함께 마크에 맞거나 맞지 않는 문제.... 글쎄요, 예, 30 % 확률로 (일부 도구는 여전히 약간 구별 가능) - 아마도 "아무것도하지 않음"은 70 % 추측으로 구별 할 수 있을까요?
알고리즘에서 리샘플링하는 동안 계수_값의 변화를 얻을 수 없습니다... 정의에 따라...
링크를 받을 수 있나요? 난 안 살 건데 무슨 소리예요?
여기서는 서신을 찾을 수 없고 여기 2020년 7월 파일이 있습니다.