Maxim Dmitrievsky #: FF를 통해 정상 상태를 얻으면 정상 상태 TC의 특징이 되는 것처럼요? 모두가 이것이 쿠르와피팅이라는 것을 알고 있습니다
그게 무차별 대입을 통해 우연히 안정적인 FS를 얻을 수 있는 유일한 방법입니다.
FF는 안정적인 TC의 규칙을 설명해야 합니다. TC가 불안정한 것으로 판명되면 FF의 규칙이 잘못된 것입니다.
문제는 아직 아무도 FF에 대한 그러한 규칙을 찾지 못했다는 것입니다(적어도 저는 본 적이 없습니다). 두 가지 방법이 있습니다. TS를 단순화하여 가능한 한 적은 자유도를 갖도록하여 안정적인 배수 또는 안정적인 붓기가 될 가능성이 더 높거나 더 복잡한 방법 인 FF에 대한 규칙을 찾는 것입니다.
일반적으로 그레일 빌더를 위한 보편적인 작업 세트는 없습니다. 세 번째 방법은 ChatGPT와 같은 유연한 자가 학습 AI를 만드는 것인데, 여기에도 훈련에 사용되는 FF가 있습니다. FF는 항상 어떤 형태로든 존재할 것이며 제거 할 방법이 없습니다.
FF는 안정적인 TC의 규칙을 설명해야 합니다. TC가 불안정한 것으로 판명되면 FF의 규칙이 잘못된 것입니다.
문제는 아무도 FF에 대한 그러한 규칙을 찾지 못했다는 것입니다 (적어도 저는 보지 못했습니다). 두 가지 방법이 있습니다. TS를 단순화하여 가능한 한 적은 자유도를 갖도록하여 안정적인 배수 또는 안정적인 붓기가 될 가능성이 더 높거나 더 복잡한 방법 인 FF에 대한 규칙을 찾는 것입니다.
일반적으로 그레이 빌더를 위한 보편적인 작업 세트는 없습니다. 세 번째 방법은 ChatGPT와 같은 유연한 자가 학습 AI를 만드는 것인데, 여기에도 훈련에 사용되는 FF가 있습니다. FF는 항상 어떤 형태로든 존재할 것이며, 이를 제거할 방법은 없다는 점을 말씀드리고 싶었습니다.
문제는 안정적인 TS의 구축에 있는 것이 아니라 FF에 담긴 설명적 특성에 있습니다.
물론 모순되는 아주 정확하고 유능한 추론, 즉 "... 지속 가능한 TS를 구축하는 것이 아니라 지속 가능한 수익성있는 TS를 구축 / 선택 / 진화하는 기술에 대한 것이며 우리는 그것을 위해 노력하고 있습니다."입니다.
FF는 안정적인 TC의 규칙을 설명해야 합니다. TC가 불안정한 것으로 판명되면 FF의 규칙이 잘못된 것입니다.
FF는 정의상 어떤 문제도 해결할 수 없습니다. 단위 퍼센트 단위로 개선할 것이 그만큼 있거나 그렇지 않거나 둘 중 하나죠. 쓰레기를 아무리 파헤쳐도 쓰레기는 쓰레기로 남아있기 때문에 쓰레기를 개선할 수 없습니다.
따라서 목표와 예측 변수 간의 관계에 대한 초기 고려가 중요합니다. 또한 이 관계에 대한 정량적 평가가 필요하며, 더 나아가 관계에 대한 평가뿐만 아니라 예측변수 (교사) 의 미래 값을 예측하는 예측자의 능력에 대한 정량적 평가가 필요합니다. 이 추론의 사슬에서 FF가 들어갈 자리는 없으므로 특정 알고리즘을 "개선"하려고 하지 않고 수백 가지가 있는 MO 알고리즘을 무턱대고 취하거나 선택해 블랙박스로 사용할 수 있습니다.
저도 그다지 좋아하지는 않지만 Alexei는 효과가 있다고 합니다.
문제는 그가 왜 그것을 사용하지 않는지입니다.) 분명히 그는 결과에 그다지 만족하지 않습니다.
규칙을 선택하는 것으로 밝혀졌지만 일부는 해마다 꾸준히 작동하지 않고 일부는 전혀 작동하지 않으며 다른 일부는 계속 꾸준히 작동한다는 것을 이해해야합니다.
물론 우리는 계속 작동하는 규칙에 관심이 있습니다. 다른 규칙과 구별되는 것은 모든 TS를 크게 개선 할 수있는 미스터리입니다.
그래서 저는 제한된 수의 예측자 섹션을 선택하여 잠재적으로 좋은 규칙의 수를 늘리려고 노력하고 있습니다. 이를 위해서는 규칙을 만드는 데 사용할 각 예측자의 '안정적인' 성능 영역을 식별해야 합니다. 이것이 제가 현재 관심을 갖고 있는 작업입니다.
이러한 규칙을 마이닝하는 것보다 비용이 적게 드는 방법을 찾고 있기 때문에 다른 타겟에 대해서는 실험하지 않았습니다.
두 가지 방법을 비교하기 위해 콜랩을 하지 않기로 결정한 것은 제가 올바르게 이해했나요?
규칙을 선택하는 것으로 밝혀졌지만 일부는 해마다 꾸준히 작동하지 않고 일부는 전혀 작동하지 않으며 다른 일부는 꾸준히 계속 작동한다는 것을 깨달아야합니다.
물론, 우리는 계속 작동하는 것들에 관심이 있습니다. 다른 것들과 구별되는 것은 모든 TS를 크게 개선 할 수있는 미스터리입니다.
그래서 저는 제한된 수의 예측자 섹션을 선택하여 잠재적으로 좋은 규칙의 수를 늘리려고 합니다. 이를 위해서는 규칙을 만드는 데 사용할 각 예측자의 '안정적인' 성능 영역을 식별해야 합니다. 이것이 제가 현재 관심을 갖고 있는 작업입니다.
이러한 규칙을 마이닝하는 것보다 비용이 적게 드는 방법을 찾고 있기 때문에 다른 타겟에 대해서는 실험을 해보지 않았습니다.
두 가지 방법을 비교하기 위해 콜랩을 하지 않기로 결정한 것은 제가 올바르게 이해했나요?
일단은 자동으로 해볼까 생각 중입니다.
규칙을 선택하는 것으로 밝혀졌지만 일부는 해마다 꾸준히 작동하지 않고 일부는 전혀 작동하지 않으며 다른 일부는 꾸준히 계속 작동한다는 것을 깨달아야합니다.
사실 1000개의 무작위 TC를 가져와도 결과는 똑같을 것입니다.
또한 테스트를 위해 또 다른 샘플인 네 번째 유형인 Train-Test-Valid-Test2를 만들면.
그러면 " 다른 부분은 계속 안정적으로 작동합니다. " 라는 것을 알 수 있습니다.
정확히 똑같이 작동하지 않습니다))
모두 무작위이며, 발견된 패턴은 실제로 무작위입니다.
1,000개의 무작위 TC를 찍어도 똑같은 결과를 얻을 수 있다는 사실입니다.
또한 테스트를 위해 또 다른 샘플을 만들면 네 번째 유형인 Train-Test-Valid-Test2가 생성됩니다.
를 만들면 " 다른 부분은 계속 안정적으로 작동" 한다는 것을 알 수 있습니다.
같은 방식으로 작동하지 않습니다))
이는 모두 무작위이며, 여러분이 발견하는 패턴은 실제로 무작위입니다.
나는 10000 개의 모델을 훈련 시켰고 이것이 사실이 아니라는 것을 알고 있습니다. 대부분은 새로운 데이터에 대한 작업을 중단합니다.
그리고 잎은-예, 당신은 분명히주의 깊게 읽지 않았습니다-나는 검증을 포함하여 2014 년부터 2019 년까지 (몇 달) 데이터를 훈련하고 2021 년에 어떻게 작동했는지 보여주었습니다 (즉, 미래를 보지 않고 여기에 정직한 테스트가있었습니다-이익 50 %).
모든 것이 무작위 일 수도 있지만 모든 무작위에는 무작위가 아닌 주기성이 있습니다 :)
저는 10000개의 모델을 훈련시켰지만 대부분 새로운 데이터에 대한 작업을 중단한다는 것을 알고 있습니다.
그리고 잎은-예, 당신은 분명히주의 깊게 읽지 않았습니다-나는 검증을 포함하여 2014 년부터 2019 년까지 (몇 달) 데이터에 대해 훈련하고 2021 년에 어떻게 작동했는지 보여주었습니다 (즉, 미래를 보지 않고 정직한 테스트였습니다) - 수익 50 %.
모든 것이 무작위 일 수도 있지만 모든 무작위에는 주기성이 있으므로 무작위가 아닙니다 :)
FF를 통해 정상 상태를 얻으면 정상 상태 TC의 특징이 되는 것처럼요? 모두가 이것이 쿠르와피팅이라는 것을 알고 있습니다
FF는 안정적인 TC의 규칙을 설명해야 합니다. TC가 불안정한 것으로 판명되면 FF의 규칙이 잘못된 것입니다.
문제는 아직 아무도 FF에 대한 그러한 규칙을 찾지 못했다는 것입니다(적어도 저는 본 적이 없습니다). 두 가지 방법이 있습니다. TS를 단순화하여 가능한 한 적은 자유도를 갖도록하여 안정적인 배수 또는 안정적인 붓기가 될 가능성이 더 높거나 더 복잡한 방법 인 FF에 대한 규칙을 찾는 것입니다.
일반적으로 그레일 빌더를 위한 보편적인 작업 세트는 없습니다. 세 번째 방법은 ChatGPT와 같은 유연한 자가 학습 AI를 만드는 것인데, 여기에도 훈련에 사용되는 FF가 있습니다. FF는 항상 어떤 형태로든 존재할 것이며 제거 할 방법이 없습니다.
문제는 안정적인 TS의 구축에 있는 것이 아니라 FF에 담긴 설명적 특성에 있습니다.
FF는 안정적인 TC의 규칙을 설명해야 합니다. TC가 불안정한 것으로 판명되면 FF의 규칙이 잘못된 것입니다.
문제는 아무도 FF에 대한 그러한 규칙을 찾지 못했다는 것입니다 (적어도 저는 보지 못했습니다). 두 가지 방법이 있습니다. TS를 단순화하여 가능한 한 적은 자유도를 갖도록하여 안정적인 배수 또는 안정적인 붓기가 될 가능성이 더 높거나 더 복잡한 방법 인 FF에 대한 규칙을 찾는 것입니다.
일반적으로 그레이 빌더를 위한 보편적인 작업 세트는 없습니다. 세 번째 방법은 ChatGPT와 같은 유연한 자가 학습 AI를 만드는 것인데, 여기에도 훈련에 사용되는 FF가 있습니다. FF는 항상 어떤 형태로든 존재할 것이며, 이를 제거할 방법은 없다는 점을 말씀드리고 싶었습니다.
문제는 안정적인 TS의 구축에 있는 것이 아니라 FF에 담긴 설명적 특성에 있습니다.
물론 모순되는 아주 정확하고 유능한 추론, 즉 "... 지속 가능한 TS를 구축하는 것이 아니라 지속 가능한 수익성있는 TS를 구축 / 선택 / 진화하는 기술에 대한 것이며 우리는 그것을 위해 노력하고 있습니다."입니다.
FF는 안정적인 TC의 규칙을 설명해야 합니다. TC가 불안정한 것으로 판명되면 FF의 규칙이 잘못된 것입니다.
FF는 정의상 어떤 문제도 해결할 수 없습니다. 단위 퍼센트 단위로 개선할 것이 그만큼 있거나 그렇지 않거나 둘 중 하나죠. 쓰레기를 아무리 파헤쳐도 쓰레기는 쓰레기로 남아있기 때문에 쓰레기를 개선할 수 없습니다.
따라서 목표와 예측 변수 간의 관계에 대한 초기 고려가 중요합니다. 또한 이 관계에 대한 정량적 평가가 필요하며, 더 나아가 관계에 대한 평가뿐만 아니라 예측변수 (교사) 의 미래 값을 예측하는 예측자의 능력에 대한 정량적 평가가 필요합니다. 이 추론의 사슬에서 FF가 들어갈 자리는 없으므로 특정 알고리즘을 "개선"하려고 하지 않고 수백 가지가 있는 MO 알고리즘을 무턱대고 취하거나 선택해 블랙박스로 사용할 수 있습니다.
게다가 FF 클래스는 역사에 지나치게 맞추려는 냄새가 너무 강하기 때문에 위험합니다.
정확합니다. 왜 계속 20%를 성과로 선전하는지 모르겠네요...
20%, 8%, 50% 모두 아무 의미가 없습니다. 숫자는 아무 의미가 없습니다.
균형이 흥미롭습니다. 그래프가 없나요?
분류 오류라는 열이 있는데 이제 분류는 관련이 없습니다.
이해할 수 없습니다. 이해할 수 있으면 좋겠네요.
결과를 좀 더 명확하게 설명해 주시겠어요?