MO에서 적합도 함수는 최적화를 통해 모델을 훈련(매개변수 선택)하는 데 사용됩니다. 메트릭은 결과 모델을 평가하는 데 사용됩니다. 종종 메트릭이 적합도 함수와 일치하지 않는 경우가 있습니다. 수학적 관점에서 보면, 이는 MO가 일반적인 단일 기준이 아닌 다기준 최적화 문제를 해결한다는 것을 의미합니다.
기존 최적화와 또 다른 중요한 차이점은 고정된 최적화 매개변수 집합이 자주 없다는 것입니다. 일반 트리의 경우에도 이미 그렇습니다. 수학적 관점에서 보면, 이는 수치 공간에서의 일반적인 최적화 문제가 아니라 함수 공간에서의 최적화 문제로 이어집니다.
MO에서 적합도 함수는 최적화를 통해 모델을 훈련(매개변수 선택)하는 데 사용됩니다. 메트릭은 결과 모델을 평가하는 데 사용됩니다. 종종 메트릭이 적합도 함수와 일치하지 않는 경우가 있습니다. 수학적 관점에서 이는 MO가 일반적인 단일 기준이 아닌 다기준 최적화 문제를 해결하고 있음을 의미합니다.
기존 최적화와 또 다른 중요한 차이점은 고정된 최적화 매개변수 집합이 자주 없다는 것입니다. 일반 트리의 경우에도 이미 그렇습니다. 수학적 관점에서 볼 때, 이는 수치 공간에서의 일반적인 최적화 문제가 아니라 함수 공간에서의 최적화 문제로 이어집니다.
이 두 가지 점 때문에 MO 문제는 기존의 최적화로 환원할 수 없습니다.
다중 기준 최적화 알고리즘에는 완전히 별도의 클래스가 있습니다. 그러나 다중 기준을 제대로 이해한다면 다중 기준은 추가적인 경계 조건과 별도의 평가로 축소됩니다.
MO에서 적합도 함수는 최적화를 통해 모델을 훈련(매개변수 선택)하는 데 사용됩니다. 메트릭은 결과 모델을 평가하는 데 사용됩니다. 종종 메트릭이 적합도 함수와 일치하지 않는 경우가 있습니다. 수학적 관점에서 이는 MO가 일반적인 단일 기준이 아닌 다기준 최적화 문제를 해결하고 있음을 의미합니다.
기존 최적화와 또 다른 중요한 차이점은 고정된 최적화 매개변수 집합이 자주 없다는 것입니다. 일반 트리의 경우에도 이미 그렇습니다. 수학적 관점에서 볼 때, 이는 수치 공간에서의 일반적인 최적화 문제가 아니라 함수 공간에서의 최적화 문제로 이어집니다.
이 두 가지 점 때문에 MO 문제는 기존의 최적화로 환원할 수 없습니다.
자세한 설명 감사합니다. 그럼에도 불구하고 FF라는 주제를 제기한 데에는 몇 가지 맥락이 있었습니다. 여기 있습니다.
제가 언급한 기능들은 하나하나가 아니라 동시에 작동하기 때문에 기능적 공간에서 어떤 경계를 설정할지 모르겠습니다.
예, 우리는 다기능 공간에서 개별 구성 요소의 동시 작업에 대해 이야기하고 있습니다. 두 구성 요소는 다기능 공간에서 개별적으로 평가할 수도 있고 메타 평가 또는 통합 평가를 통해 모두 함께 평가할 수도 있습니다. 어느 하나가 다른 하나를 방해하지 않습니다. MO의 모든 단계에는 평가가 필요하며, 이를 위해 많은 특수 지표가 있으며, 최적화의 본질은 이를 극대화하는 것입니다.
1) MO에서 적합도 함수는 최적화를 통해 모델을 훈련(파라미터 선택) 하는 데 사용됩니다.메트릭은 결과 모델을 평가하는 데 사용됩니다. 종종 메트릭이 적합도 함수와 일치하지 않는 경우가 있습니다. 수학적 관점에서 이는 MO가 일반적인 단일 기준이 아닌 다기준 최적화 문제를 해결한다는 것을 의미합니다.
2) 기존 최적화와 또 다른 중요한 차이점은 고정된 최적화 매개변수 집합이 자주 없다는 것입니다. 일반 트리의 경우에도 이미 그렇습니다. 수학적 관점에서 볼 때, 이는 수치 공간에서의 일반적인 최적화 문제가 아니라 함수 공간에서의 최적화 문제로 이어집니다.
예, 우리는 다기능 공간에서 개별 구성 요소의 동시 작업에 대해 이야기하고 있습니다. 두 구성 요소는 다기능 공간에서 개별적으로 평가할 수도 있고, 메타 평가를 통해 함께 평가할 수도 있으며, 그렇지 않으면 통합 평가를 통해 평가할 수도 있습니다. 어느 하나가 다른 하나를 방해하지 않습니다. MO의 모든 단계에는 평가가 필요하며, 이를 위해 많은 특수 지표가 있으며, 최적화의 본질은 이를 극대화하는 것입니다.
저는 신경망, MO, 최적화, 수학에 관한 수백 권의 책을 아카이브에 보관했습니다. 아카이브에 대한 링크를 제공했습니다. 아카이브는 몇 년 동안 클라우드의 모든 사람이 사용할 수 있었지만 현재는이 아카이브를 지원하지 않으며 아카이브가있는 클라우드는 현재 존재하지 않습니다.
A.P. Karpenko는 이러한 주제에 대한 많은 책을 가지고 있으며 좋은 책은 Simon D.의 저서입니다.
MO에서 적합도 함수는 최적화를 통해 모델을 훈련(매개변수 선택)하는 데 사용됩니다. 메트릭은 결과 모델을 평가하는 데 사용됩니다. 종종 메트릭이 적합도 함수와 일치하지 않는 경우가 있습니다. 수학적 관점에서 보면, 이는 MO가 일반적인 단일 기준이 아닌 다기준 최적화 문제를 해결한다는 것을 의미합니다.
기존 최적화와 또 다른 중요한 차이점은 고정된 최적화 매개변수 집합이 자주 없다는 것입니다. 일반 트리의 경우에도 이미 그렇습니다. 수학적 관점에서 보면, 이는 수치 공간에서의 일반적인 최적화 문제가 아니라 함수 공간에서의 최적화 문제로 이어집니다.
이 두 가지 점 때문에 MO 문제는 기존의 최적화로 환원할 수 없습니다.
MO에서 적합도 함수는 최적화를 통해 모델을 훈련(매개변수 선택)하는 데 사용됩니다. 메트릭은 결과 모델을 평가하는 데 사용됩니다. 종종 메트릭이 적합도 함수와 일치하지 않는 경우가 있습니다. 수학적 관점에서 이는 MO가 일반적인 단일 기준이 아닌 다기준 최적화 문제를 해결하고 있음을 의미합니다.
기존 최적화와 또 다른 중요한 차이점은 고정된 최적화 매개변수 집합이 자주 없다는 것입니다. 일반 트리의 경우에도 이미 그렇습니다. 수학적 관점에서 볼 때, 이는 수치 공간에서의 일반적인 최적화 문제가 아니라 함수 공간에서의 최적화 문제로 이어집니다.
이 두 가지 점 때문에 MO 문제는 기존의 최적화로 환원할 수 없습니다.
다중 기준 최적화 알고리즘에는 완전히 별도의 클래스가 있습니다. 그러나 다중 기준을 제대로 이해한다면 다중 기준은 추가적인 경계 조건과 별도의 평가로 축소됩니다.
기능적 공간에도 평가가 필요합니다. 모든 것은 항상 평가가 필요합니다.
MO에서 적합도 함수는 최적화를 통해 모델을 훈련(매개변수 선택)하는 데 사용됩니다. 메트릭은 결과 모델을 평가하는 데 사용됩니다. 종종 메트릭이 적합도 함수와 일치하지 않는 경우가 있습니다. 수학적 관점에서 이는 MO가 일반적인 단일 기준이 아닌 다기준 최적화 문제를 해결하고 있음을 의미합니다.
기존 최적화와 또 다른 중요한 차이점은 고정된 최적화 매개변수 집합이 자주 없다는 것입니다. 일반 트리의 경우에도 이미 그렇습니다. 수학적 관점에서 볼 때, 이는 수치 공간에서의 일반적인 최적화 문제가 아니라 함수 공간에서의 최적화 문제로 이어집니다.
이 두 가지 점 때문에 MO 문제는 기존의 최적화로 환원할 수 없습니다.
자세한 설명 감사합니다. 그럼에도 불구하고 FF라는 주제를 제기한 데에는 몇 가지 맥락이 있었습니다. 여기 있습니다.
트레이딩, 자동매매 시스템 및 테스트 트레이딩 전략에 관한 포럼
트레이딩의 머신러닝: 이론, 모델, 실습 및 알고리즘 트레이딩
막심 드미트리예프스키, 2024.01.10 19:27
OOS에 대한 확인으로 재 최적화를 통해 찾을 수 있습니다 :) 이는 늑대 포워드 또는 교차 검증의 가장 간단한 경우입니다.다중 기준 최적화 알고리즘에는 완전히 별도의 클래스가 있습니다. 하지만 제대로 이해하면 다중 기준은 추가적인 경계 조건과 별도의 평가로 축소됩니다.
기능적 공간도 평가가 필요합니다. 모든 것은 항상 평가가 필요합니다.
제가 언급 한 기능은 하나씩이 아니라 동시에 작동하므로 기능 공간에서 어떤 종류의 경계를 구축할지 모르겠습니다.
스레드의 모든 참가자가 현대 MO의 기본에 익숙하다면 더 유용 할 것입니다. SHAD의 교과서가 좋은 선택이 될 것입니다.
제가 언급한 기능들은 하나하나가 아니라 동시에 작동하기 때문에 기능적 공간에서 어떤 경계를 설정할지 모르겠습니다.
예, 우리는 다기능 공간에서 개별 구성 요소의 동시 작업에 대해 이야기하고 있습니다. 두 구성 요소는 다기능 공간에서 개별적으로 평가할 수도 있고 메타 평가 또는 통합 평가를 통해 모두 함께 평가할 수도 있습니다. 어느 하나가 다른 하나를 방해하지 않습니다. MO의 모든 단계에는 평가가 필요하며, 이를 위해 많은 특수 지표가 있으며, 최적화의 본질은 이를 극대화하는 것입니다.
1) MO에서 적합도 함수는 최적화를 통해 모델을 훈련(파라미터 선택) 하는 데 사용됩니다.메트릭은 결과 모델을 평가하는 데 사용됩니다. 종종 메트릭이 적합도 함수와 일치하지 않는 경우가 있습니다. 수학적 관점에서 이는 MO가 일반적인 단일 기준이 아닌 다기준 최적화 문제를 해결한다는 것을 의미합니다.
2) 기존 최적화와 또 다른 중요한 차이점은 고정된 최적화 매개변수 집합이 자주 없다는 것입니다. 일반 트리의 경우에도 이미 그렇습니다. 수학적 관점에서 볼 때, 이는 수치 공간에서의 일반적인 최적화 문제가 아니라 함수 공간에서의 최적화 문제로 이어집니다.
이 두 가지 점 때문에 MO 문제는 기존의 최적화로 환원할 수 없습니다.
1)
모순은 무엇인가요?
최적화 알고리즘에서 매개변수 선택 == 매개변수 검색
모델 메트릭 추정 == 예를 들어 아쿠라시 추정을 사용한 FF.
여기서 동의하지 않는 것은 무엇인가요?
2)
무엇이 문제라고 생각하시는지 자세히 설명해 주시겠어요? 예를 들어, 나는 보지 못합니다
자세한 설명 감사합니다. FF 주제를 제기하는 데는 여전히 몇 가지 맥락이 있었습니다. 여기 있습니다.
귀하의 질문을 보았지만 이해할 수있는 것은 없습니다.
그리고 저는 Maxim의 언어를 잘 번역하지 못합니다.)
예, 우리는 다기능 공간에서 개별 구성 요소의 동시 작업에 대해 이야기하고 있습니다. 두 구성 요소는 다기능 공간에서 개별적으로 평가할 수도 있고, 메타 평가를 통해 함께 평가할 수도 있으며, 그렇지 않으면 통합 평가를 통해 평가할 수도 있습니다. 어느 하나가 다른 하나를 방해하지 않습니다. MO의 모든 단계에는 평가가 필요하며, 이를 위해 많은 특수 지표가 있으며, 최적화의 본질은 이를 극대화하는 것입니다.
귀하의 질문을 보았지만 이에 대해 이해할 수 있는 답변을 드릴 수 없습니다.
그리고 저는 Maxim의 언어를 잘 번역하지 못합니다.)
번역에 관한 것이 아닙니다.
트레이딩, 자동매매 시스템 및 트레이딩 전략 테스트 포럼
트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩
fxsaber, 2024.01.10 19:43
100개의 스텝이 만들어지고 100개의 입력 세트가 있다고 가정해 봅시다."각 입력 은 해당 입력 100세트의 평균과 같다 "는 원칙에 따라 평균 집합을 형성하면이 집합이 전체 초기 간격을 잘 통과 할 가능성은 거의 없습니다.
트레이딩, 자동매매 시스템 및 트레이딩 전략 테스트 포럼
트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩
막심 드미트리예프스키, 2024.01.10 19:46
그렇지 않다면 논리적으로 좋은 세트가 전혀 없습니다. 미래에 대한 자신감 측면에서 말입니다.백 세트가 FF에 의존한다는 것은 분명합니다.
어렵지 않다면 참고 자료(기사, 책)를 제공하세요.
저는 신경망, MO, 최적화, 수학에 관한 수백 권의 책을 아카이브에 보관했습니다. 아카이브에 대한 링크를 제공했습니다. 아카이브는 몇 년 동안 클라우드의 모든 사람이 사용할 수 있었지만 현재는이 아카이브를 지원하지 않으며 아카이브가있는 클라우드는 현재 존재하지 않습니다.
A.P. Karpenko는 이러한 주제에 대한 많은 책을 가지고 있으며 좋은 책은 Simon D.의 저서입니다.