Random forests or random decision forests[1][2] are an ensemble learning method for classification, regression and other tasks, that operate by constructing a multitude of decision trees at training time and outputting the class that is the mode of the classes (classification) or mean prediction (regression) of the individual trees. Random...
선택할 수 있는 2가지 유형이 있습니다 -
1=정확도의 평균 감소(아마도 이것은 mda, 첫 글자에 수렴)
2 = 노드 불순물의 평균 감소
특수 패키지 VSURF, VarSelRF, Boruta가 있습니다.
특수 패키지 VSURF, VarSelRF, Boruta가 있습니다.
어느 것이 더 낫습니까? )
어느 것이 더 낫습니까? )
따라서 이것은 임의의 포리스트 에서 작동하는 R의 작은 부분일 뿐입니다. Boruta는 Python에도 해당되는 것 같습니다.
그리고 더 나은 IMHO, 더 많은 변형이 있지만 사용자에게 더 적은 문제가 있고 완전 자동에서 가장 좋은 것, 모델을 분석하고 적절한 모든 것을 정렬)
따라서 이것은 랜덤 포레스트에서 작동하는 R의 작은 부분일 뿐입니다. Boruta는 Python에서도 작동하는 것 같습니다.
그리고 더 나은 IMHO, 더 많은 변형이 있지만 사용자에게 더 적은 문제가 있고 완전 자동에서 가장 좋은 것, 모델을 분석하고 적절한 모든 것을 정렬)
예, MT5의 숲에 대한 기능 모턴스에서 무언가를 다시 작성하여 손에 넣을 수 있도록 생각했습니다.
내가 그것을 얻을 때까지 무엇이든
R의 이 많은 쓰레기에 대해 전혀 신경 쓰지 마십시오. 평생 공부하지 않을 것입니다 .. :) 그리고 더군다나 모든 것을 사용하지 않습니다.예, MT5의 숲에 대한 기능 모턴스에서 무언가를 다시 작성하여 손에 넣을 수 있도록 생각했습니다.
내가 그것을 얻을 때까지 무엇이든
R에서 나온 이 많은 쓰레기에 대해 전혀 신경 쓰지 마세요. 평생 배우지 못할 것입니다. :) 그리고 더군다나 모든 것을 사용하지 않아도 됩니다.직접 작성하는 경우 Breiman의 고전적인 기능 이식성으로 시작 하십시오. 훈련 세트의 미래를 하나씩 재정렬하고 OOB의 MSE 또는 트리 분할의 Gini 지수를 변경하여 중요성을 계산합니다.
이론적으로 이것은 시계열에 대해 작동해야 하므로 필요한 수의 덜 중요한 요소를 제거하고 길이가 다른 패턴을 동일한 차원으로 가져올 수 있습니다.직접 작성하는 경우 Breiman의 고전적인 기능 이식성으로 시작 하십시오. 훈련 세트의 미래를 하나씩 재정렬하고 OOB의 MSE 또는 트리 분할의 Gini 지수를 변경하여 중요성을 계산합니다.
이론적으로 이것은 시계열에 대해 작동해야 하므로 필요한 수의 덜 중요한 요소를 제거하고 길이가 다른 패턴을 동일한 차원으로 가져올 수 있습니다.예, Gini를 시작하고 싶습니다.
일반적으로 포리스트는 사용하기 쉽고 동일한 최적화
제 생각에는 가격이 떨어지는 것보다 더 느리게 상승합니다. 저것들. 암기할 다른 그림 이미지가 있을 것입니다. 그러나 시도하고 비교하는 것은 아마도 오래 걸리지 않을 것입니다.
외환은 동일합니다 :) 2개의 통화가 있습니다
상호 배타적인 예가 나올지 궁금합니다.. 사실 많지는 않겠지만
외환은 동일합니다 :) 2개의 통화가 있습니다
상호 배타적인 예가 있는지 궁금합니다. . 실제로 너무 많이해서는 안됩니다
따라서 이것은 정상입니다. N을 클래스 1, M을 클래스 2라고 하고 클래스가 교차하도록 하고, IMHO여야 합니다.
그런 다음 확률 Pn = n/N 및 Pm = m/M입니다. 확률이 >0.5이면 DM이 자체적으로 처리합니다. 경험에 의한 교차는 20-40% 수준의 어딘가에 있습니다. 즉, 트랜잭션의 20-40%가 틀릴 것입니다.
따라서 이것은 정상입니다. N을 클래스 1, M을 클래스 2라고 하고 클래스가 교차하도록 하고, IMHO여야 합니다.
그런 다음 확률 Pn = n/N 및 Pm = m/M입니다. 확률이 >0.5이면 DM이 자체적으로 처리합니다. 경험에 의한 교차는 20-40% 수준의 어딘가에 있습니다. 즉, 트랜잭션의 20-40%가 틀릴 것입니다.
글쎄, 사실, 당신은 기름으로 죽을 망치지 않을 것이며 재 훈련이 덜합니다. 그리고 그러한 겉보기에 사소해 보이는 일에 효율성의 열쇠가 있을 수 있습니다.
나는 수업이 없지만 회귀가 있습니다.
또한 원래 시리즈를 약간 변형하고(예를 들어) 그 증분도 밀어넣을 수 있습니다(내가 이해하는 대로 Monte Carlo는 대략 이것이 무엇을 위한 것입니까?)
요컨대, 나는 이미 내가하고있는 일을 좋아합니다. 국회를 마치기까지 3 주가 남았습니다 :)) 성배 또는 음, 도대체. 베팅하세요 :)