Maxim Dmitrievsky #: 질문에 질문으로 대답할 건가요? 나는 모호하지 않은 대답을 알고 있습니다.
막심 드미트리예프스키 #: 모델의 출력에서 얻을 수 있는 것은 클래스 확률이 아닙니다. 하나의 값을 제공하는 회귀를 비유할 수 있습니다. 분류기는 동일한 원리로 작동하며, 확률이 아닌 시그모이드를 통과한 원시 값을 제공합니다.
확률은 어떻게 구하나요?
CB 모델 잎에서 값이 어떻게 얻어지는지 알고 계신가요, 재현할 수 있나요?
요점은 확률은 역사에 의해 추정되지만, 대표 표본을 가진 이론만이 확률이 계속 그렇게 될 것이라고 보장할 수 있다는 것입니다. 우리에게는 그런 표본이 없습니다. 따라서 이 방향의 조정은 새로운 데이터에 대한 정확성을 제공하지 않습니다. 수정은 잎에 파편이 있는 이유와 관련이 있을 수 있으며, 이는 시그모이드 분류 지점을 과대 또는 과소 평가하여 수정해야 할 사항입니다.
요점은 역사 확률이 추정되지만 대표 표본이 있는 이론만이 계속 그렇게 될 것이라고 보장할 수 있다는 것입니다. 우리에게는 그런 표본이 없습니다. 따라서 이 방향으로 조정해도 새로운 데이터에 대한 정확성을 제공하지 않습니다. 파편이 잎에 들어간 이유와 관련된 수정이 필요할 수 있으며, 시그모이드 분류 지점의 의존 또는 과소 평가에 의해 수정되어야 하는 것은 바로 이것입니다.
또는 다시 말하지만, 우리가 무엇을 말하는지 명확하지 않습니다.
영리한 것을 찾았다면 공유하세요 :)
누군가 최소한 구글에서 이 팁을 찾아주길 바랐습니다.
훈련에 확률 곡선이 있더라도 어떤 새로운 데이터에 대해 이야기 할 수 있습니까? 그리고 부스팅과 포레스트는 이것으로 많은 죄를 짓습니다. 부스팅은 자신감이 넘치고 포레스트는 자신감이 부족합니다. 물론 임계값을 전혀 사용하지 않을 계획이라는 전제하에 말이죠.
나는 임계 값을 높이면 훈련에서도 거래의 질이 향상되지 않는다는 것을 관찰했습니다. 그렇다면 모델이 무엇을 반환 할 확률은 무엇입니까? 아무것도 :)
Sanych의 그림에서 자신감 넘치는 부스팅은 가장자리 열 이상치에서 볼 수 있습니다. 골짜기가 더 부드러워야 합니다. 이것은 과적합 모델입니다.
모델 확률은 학습 샘플의 통계에 의해 제공됩니다.
따라서 대표 샘플이 없으면 정확하지 않으니 그냥 넘어가세요.)
모델이 무엇으로 구성되어 있는지 파악하고 고안한 알고리즘에 따라 잎의 가중치를 재조정하세요....
모델의 확률은 이것이 아니라 시그모이드에 의해 주어집니다.
그래요, 함수에 어떤 숫자를 넣는 건데 어디서 나온 건가요?
네, 함수에 어떤 숫자를 넣는 건데 어디서 나온 건가요?
분류기가 정확한 확률을 제공한다는 사실을 어떻게 알았나요? 단순한 범위의 값이 아닙니다. 작성되는 내용을 읽고 계신가요?
여러 번 확인했습니다. 이것이 TC의 기반입니다.
다시 말하지만, 그렇지 않다면 재교육이 필요합니다.
모델의 출력에서 얻을 수 있는 것은 클래스 확률이 아닙니다. 비유하자면 회귀는 단일 값을 제공하는 것입니다. 분류기는 동일한 원리로 작동하며, 확률이 아닌 시그모이드를 통과한 원시 값을 제공합니다.
시그모이드를 통과하면 클래스의 확률이 아니라 클래스를 얻게 됩니다.
시그모이드를 통과하면 클래스의 확률이 아니라 클래스를 얻습니다.
여러 번 확인했습니다. 이것이 TC의 기본입니다.
다시 말하지만, 그렇지 않다면 재교육을 받아야 합니다.
질문에 질문으로 대답할 건가요? 나는 모호하지 않은 대답을 알고 있습니다.
모델의 출력에서 얻을 수 있는 것은 클래스 확률이 아닙니다. 하나의 값을 제공하는 회귀를 비유할 수 있습니다. 분류기는 동일한 원리로 작동하며, 확률이 아닌 시그모이드를 통과한 원시 값을 제공합니다.
CB 모델 잎에서 값이 어떻게 얻어지는지 알고 계신가요, 재현할 수 있나요?
요점은 확률은 역사에 의해 추정되지만, 대표 표본을 가진 이론만이 확률이 계속 그렇게 될 것이라고 보장할 수 있다는 것입니다. 우리에게는 그런 표본이 없습니다. 따라서 이 방향의 조정은 새로운 데이터에 대한 정확성을 제공하지 않습니다. 수정은 잎에 파편이 있는 이유와 관련이 있을 수 있으며, 이는 시그모이드 분류 지점을 과대 또는 과소 평가하여 수정해야 할 사항입니다.
또는 다시, 그것이 무엇인지 명확하지 않습니다.
영리한 것을 발견했다면 공유해 주세요 :)
CB 모델 잎의 값이 어떻게 도출되는지 알고 계신가요, 재현할 수 있나요?
요점은 역사 확률이 추정되지만 대표 표본이 있는 이론만이 계속 그렇게 될 것이라고 보장할 수 있다는 것입니다. 우리에게는 그런 표본이 없습니다. 따라서 이 방향으로 조정해도 새로운 데이터에 대한 정확성을 제공하지 않습니다. 파편이 잎에 들어간 이유와 관련된 수정이 필요할 수 있으며, 시그모이드 분류 지점의 의존 또는 과소 평가에 의해 수정되어야 하는 것은 바로 이것입니다.
또는 다시 말하지만, 우리가 무엇을 말하는지 명확하지 않습니다.
영리한 것을 찾았다면 공유하세요 :)