차트에 완벽한 거래로 표시합니다 (극단적 인 다운에서 우리는 매수, 극단적 인 업에서 우리는 매도) 가짜 완벽한 거래를 만듭니다.
이를 완벽한 균형이라고 부르겠습니다.
그런 다음 부스트에서 거래 잔액을 계산합니다.
그런 다음 목적 함수에서 이상적인 균형과 부스트의 무역 수지의 오차를 간단히 계산합니다.
즉, 추상적 인 이익 최대치를 찾는 것이 아니라 이익 균형으로 표현 된 이상적인 무역에 대한 조정을 얻습니다.
파란색은 이상적인 균형, 검은색은 트레이닝 및 모델 테스트입니다.
제가 말하고자 하는 것과 비슷합니다.
최대화해야 할 것은 균형이 아니라 어떤 복잡한 기준, 예를 들어 개별 거래로 분류하는 것입니다. 이것은 원래 균형에서 파생 된 함수, 더 부드러운 함수입니다. 이것이 우리가 파생 된 함수의 글로벌 최적을 찾아야하는 것입니다. 그것이 제가 말하려는 것입니다. 그리고이 경우 파생 된 함수의 글로벌 극한을 얼마나 질적으로 찾을 수 있는지가 중요합니다.
원래 함수에서 파생 함수를 만드는 방법에는 상상력에 의해서만 제한되는 여러 가지 방법이 있습니다.
사람들에게 자신을 던지는 대신 이해하려고 노력할 수 있습니다. 이해하면 좋습니다. 이해하지 못하면 지나가십시오.
저는 서로 다른 AO를 동등하게 비교해서 어떤 것이 좋고 어떤 것이 나쁜지 판단할 수 없다는 점을 공격했습니다.
각 AO에는 고유한 최적화 표면이 있습니다.
AO의 선택은 주관적인 동정심이 아니라 최적화 표면에 따라 달라집니다.
완전히 다른 세 가지 테스트 기능으로 알고리즘을 비교하므로 각 알고리즘의 구체적인 장점을 개별 테스트에서 확인할 수 있으므로 어디가 강한지 알 수 있으므로 연구자의 특정 작업에 가장 적합한 알고리즘을 선택할 수 있습니다. 테스트에는 주관주의가 없으며 반대로 가능한 한 객관적입니다.
네트워크에 특화된 대부분의 알고리즘은 논리 또는 모멘트에 어떤 형태의 평활화가 있습니다. 그들은 목표 문제 함수의 부드러운 파생물을 적용하는 데 중점을 둡니다. 그들이 강한 곳과 그렇지 않은 곳이 어디인지 알 수 있습니다.
완전히 다른 세 가지 테스트 기능으로 알고리즘을 비교하기 때문에 각 알고리즘의 구체적인 장점을 개별 테스트에서 확인할 수 있으므로 어디가 강한지 알 수 있으므로 연구자의 특정 작업에 가장 적합한 알고리즘을 선택할 수 있습니다. 테스트에는 주관주의가 없으며 반대로 가능한 한 객관적입니다.
네트워크에 특화된 대부분의 알고리즘은 논리 또는 모멘트에 어떤 형태의 평활화가 있습니다. 그들은 목표 문제 함수의 부드러운 파생물을 적용하는 데 중점을 둡니다. 그들이 강한 곳과 그렇지 않은 곳이 어디인지 알 수 있습니다.
서로 다른 문제를 해결하기 때문에 동일한 조건에서 서로 다른 유형의 AO를 비교할 수 없습니다.
수행해야 할 작업이 다르기 때문에 동일한 조건에서 서로 다른 유형의 AO를 비교할 수 없다는 것이 제 메시지입니다.
지난번에 제가 말한 것을 이해하지 못한 것 같습니다.... 다시 한 번 말씀드리지만, 알고리즘을 작업의 특성에 맞게 적절하게 비교하기 위해 다양한 테스트 문제가 사용되기 때문에 비교가 가능합니다. 테스트를 통해 어떤 작업에 AO를 사용하는 것이 최적인지 알 수 있으므로 그중에서 선택할 수 있습니다.
예를 들어, ADAM이 부드러운 기능에서 우위를 보인다면 - 훌륭합니다! - 그렇다면 그렇게 사용해야하며 그렇지 않으면 다른 알고리즘을 선택하는 것이 좋습니다. 하지만 ADAM이 모든 테스트에서 똥을 싸면 더 나은 것을 선택해야합니다. 요즘 대부분의 사람들은 최선의 선택을했는지 여부를 알지 못한 채 "패션"에 따라 특정 것을 선택합니다.
부스트에 그라디언트를 통해 밸런스나 다른 것을 공급할 수 있는 방법이 있나요....
여기 회로도가 있습니다:
차트에 완벽한 거래로 표시합니다 (극단적 인 다운에서 우리는 매수, 극단적 인 업에서 우리는 매도) 가짜 완벽한 거래를 만듭니다.
이를 완벽한 균형이라고 부르겠습니다.
그런 다음 부스트에서 거래 잔액을 계산합니다.
그런 다음 목적 함수에서 이상적인 균형과 부스트의 무역 수지의 오차를 간단히 계산합니다.
즉, 추상적 인 이익 최대치를 찾는 것이 아니라 이익 균형으로 표현 된 이상적인 무역에 대한 조정을 얻습니다.
파란색은 이상적인 균형, 검은색은 트레이닝 및 모델 테스트입니다.
제가 말하고자 하는 것과 비슷합니다.
최대화해야 할 것은 균형이 아니라 어떤 복잡한 기준, 예를 들어 개별 거래로 분류하는 것입니다. 이것은 원래 균형에서 파생 된 함수, 더 부드러운 함수입니다. 이것이 우리가 파생 된 함수의 글로벌 최적을 찾아야하는 것입니다. 그것이 제가 말하려는 것입니다. 그리고이 경우 파생 된 함수의 글로벌 극한을 얼마나 질적으로 찾을 수 있는지가 중요합니다.
원래 함수에서 파생 함수를 만드는 방법에는 상상력에 의해서만 제한되는 여러 가지 방법이 있습니다.
사람들에게 자신을 던지는 대신 이해하려고 노력할 수 있습니다. 이해하면 좋습니다. 이해하지 못하면 지나가십시오.
사람들에게 화를 내는 대신 이해하려고 노력하세요. 이해가 되면 좋고, 이해가 안 되면 그냥 지나가세요.
제가 공격한 것은 서로 다른 AO를 동등한 조건으로 비교하여 어떤 것이 좋고 어떤 것이 나쁜지 결정할 수 없다는 사실에 관한 것이었습니다.
각 AO에는 고유한 최적화 표면이 있습니다.
AO의 선택은 주관적인 선호도가 아니라 최적화 표면에 따라 달라집니다.
표면이 매끄럽고 최소한의 사람이 유전 알고리즘이나 스웜 또는 어닐링 또는 기타 글로벌 최적화 알고리즘을 적용하는 경우 경사 하강이이 문제를 100 배 더 빨리 해결하기 때문에 그는 자신이 무엇을하고 있는지 이해하지 못하는 바보입니다.
표면이 복잡하고 시끄럽고 최소값이 많고 사람이 경사 하강을 사용하는 경우 알고리즘이 가장 긴 최소값에 갇히기 때문에 다시 한 번 이것은 바보입니다 .
예를 들어 그라디언트 하강을 유전학과 비교하기로 결정한 사람이 계속하는 것이 바보입니까 ?
그것은 기본적인 것들에 대한 오해입니다.
저는 서로 다른 AO를 동등하게 비교해서 어떤 것이 좋고 어떤 것이 나쁜지 판단할 수 없다는 점을 공격했습니다.
각 AO에는 고유한 최적화 표면이 있습니다.
AO의 선택은 주관적인 동정심이 아니라 최적화 표면에 따라 달라집니다.
완전히 다른 세 가지 테스트 기능으로 알고리즘을 비교하므로 각 알고리즘의 구체적인 장점을 개별 테스트에서 확인할 수 있으므로 어디가 강한지 알 수 있으므로 연구자의 특정 작업에 가장 적합한 알고리즘을 선택할 수 있습니다. 테스트에는 주관주의가 없으며 반대로 가능한 한 객관적입니다.
네트워크에 특화된 대부분의 알고리즘은 논리 또는 모멘트에 어떤 형태의 평활화가 있습니다. 그들은 목표 문제 함수의 부드러운 파생물을 적용하는 데 중점을 둡니다. 그들이 강한 곳과 그렇지 않은 곳이 어디인지 알 수 있습니다.
완전히 다른 세 가지 테스트 기능으로 알고리즘을 비교하기 때문에 각 알고리즘의 구체적인 장점을 개별 테스트에서 확인할 수 있으므로 어디가 강한지 알 수 있으므로 연구자의 특정 작업에 가장 적합한 알고리즘을 선택할 수 있습니다. 테스트에는 주관주의가 없으며 반대로 가능한 한 객관적입니다.
네트워크에 특화된 대부분의 알고리즘은 논리 또는 모멘트에 어떤 형태의 평활화가 있습니다. 그들은 목표 문제 함수의 부드러운 파생물을 적용하는 데 중점을 둡니다. 그들이 강한 곳과 그렇지 않은 곳이 어디인지 알 수 있습니다.
서로 다른 문제를 해결하기 때문에 동일한 조건에서 서로 다른 유형의 AO를 비교할 수 없습니다.
수행해야 할 작업이 다르기 때문에 동일한 조건에서 서로 다른 유형의 AO를 비교할 수 없다는 것이 제 메시지입니다.
지난번에 제가 말한 것을 이해하지 못한 것 같습니다.... 다시 한 번 말씀드리지만, 알고리즘을 작업의 특성에 맞게 적절하게 비교하기 위해 다양한 테스트 문제가 사용되기 때문에 비교가 가능합니다. 테스트를 통해 어떤 작업에 AO를 사용하는 것이 최적인지 알 수 있으므로 그중에서 선택할 수 있습니다.
예를 들어, ADAM이 부드러운 기능에서 우위를 보인다면 - 훌륭합니다! - 그렇다면 그렇게 사용해야하며 그렇지 않으면 다른 알고리즘을 선택하는 것이 좋습니다. 하지만 ADAM이 모든 테스트에서 똥을 싸면 더 나은 것을 선택해야합니다. 요즘 대부분의 사람들은 최선의 선택을했는지 여부를 알지 못한 채 "패션"에 따라 특정 것을 선택합니다.
완벽한 클래스 표시와 완벽한 균형을 이루고 있습니다. 오일이 기름기가 있습니다. 거기서 아무것도 개선할 수 없습니다.
제 직감은 곧 거래에서 MO가 일반적인 장소가 될 것이라고 말합니다.
수익을 보장하는 것은 아니지만 사용하지 않는 것은 실패를 보장하는 것으로 간주됩니다).
시장의 비고정성으로 인해 최적화 결과를 기록에 적용하는 데 문제가 있다는 산 사니치의 지적은 옳습니다. 문제는 그러한 최적화가 우리가 가진 유일한 방법이라는 것입니다. 예를 들어, 피처 선택에 대한 그의 접근 방식도 더 까다롭기는 하지만 기록에 대한 최적화입니다.)
예를 들어, 일종의 교차 검증도 기록에 대한 최적화입니다.