여기에있는 동안 ICA에 감사 드리며 여전히 feature_extraction("고유하고 중요한 구성 요소의 인식"으로 특성화)에 대한 질문이 있습니다. 이 주제를 한 번 탐색하고 (Python에 대한 설명) 포기했습니다..... 나는 그들이 이미지와 텍스트로 작업 할 때만이 추출을 사용한다는 인상을 받았습니다-구조화 된 데이터 (예 : 요인 표)로 작업 할 때이 접근 방식을 사용해야합니까 ??... 그 유용성을 이해하기 위해 알고리즘의 본질에 대해 몇 마디 쓸 수 있습니까?, 그냥 당신의 기사에서 어떻게 든 그것에 대해 엿볼 수 있습니다 ...? 아니면 제가 뭔가를 놓쳤나요? (그리고 파이썬에서 본 것이 시장의 요소에 feature_extraction을 적용하는 데 영감을 주지 못했습니다).
환경 설정에 대해: 아니면 여전히 일반(또는 설명하신 대로 계층적) PCA를 사용하기로 결정하셨나요?
Эта статья продолжает серию публикаций о глубоких нейросетях. Рассматривается выбор примеров (удаление шумовых), уменьшение размерности входных данных и разделение набора на train/val/test в процессе подготовки данных для обучения.
정보가 늘어나는 상황에서 NN이 제대로 작동할 수 있을지 의문입니다. 바로 위에 빨간색은 건드리지 않고 녹색만 먹고 벽 사이를 달리는 것에 대한 언급이 있었습니다. 미로가 증가하면(정보가 증가하면) 빨강/초록에 대한 기억이 날아가 버립니다. 그래서 그는 이전 대형에서는 잘 움직이지만 새로운 대형에서는 잘 움직이지 못합니다. 패턴이 반복되는 한 그는 어느 정도 작동합니다. 그리고 그것은 훈련 된 곳에서만 완벽하게 작동합니다.
동일한 조건에 대해 동일한 NN에 대한 반론은 학생이 더 효율적인 알고리즘을 작성할 수 있다는 것입니다. 그리고 이 알고리즘은 다른 학생이 다른_곡률_공간(또는 최적화/단순화)의 조건에 맞게 개선하거나 가져올 수 있습니다. 이 단순화된 예에서 NN을 사용하는 것은 막다른 길이며, 그 결과는 의식적으로나 질적으로 개선될 수 없습니다. 그리고 이것은 일반적으로 NN(그리고 DL도 마찬가지)의 일반적인 문제입니다. 이 방법은 보라색 배경에 빨간색/녹색, 원형/정사각형 세트에서 빨간색/녹색, 보라색 배경의 흑백 직사각형으로 인식하는 데 사용할 수 있습니다. 형평성을 무한대로 출력하는 것이 아닌 좁은 특수 문제의 해결 방법
그럼에도 불구하고 KNN은 슬라이딩 창에서 사용하는 경우 비 고정성을 처리하는 가장 쉬운 방법을 제공합니다. 항상 동일한 예측자 집합을 사용하므로 예측자 집합을 변경하는 알고리즘과 비교하고이 합병증의 이점을 평가할 수 있습니다.
KNN이 본질적으로 K- 평균 ( k- 가장 가까운 이웃의 외국 이름 ?)이라면(K- 평균) 유클리드 거리를 사용합니다 ... "변수가 상관 관계가없는 경우-마하라 노비스 거리는 일반적인 유클리드 거리와 일치합니다" ... LDA에서 . .. 글쎄, 그들이 상호 연관되어 있다면-어제 일반적으로 언급했듯이 마하라 노비스가 더 좋습니다.
예전에는 3~6개월짜리 전문가 어드바이저를 작성할 수 있었습니다. 주말에 최적화했죠. 그런 다음 그들은 죽었고 짧은 시간 동안예치금을 소진하기에 충분했습니다. 최적화할 시간이 충분하지 않았습니다. 결국 상황은 더욱 악화되었습니다. 얼마 후 매개 변수를 선택할 수없는 경계가 있다는 것이 밝혀졌습니다.
시장 변화의 기간은 5-7년으로 더 길어졌습니다. 그러나 결과는 월별 기간과 동일합니다. 봇은 영원히 죽습니다. 시장에서 특정 봇을 비공개 메시지로 보내 드리겠습니다. 여기서는 할 수 없습니다.
따라서 "표본에서 벗어났다"는 이 모든 아이디어는 쓰레기입니다. 봇의 수명은 얼마나 될지 알 수 없습니다: 3개월 또는 7년. 봇이 죽으면 다른 드로다운과 혼동하여 디포가 고갈됩니다.
이상적으로는 다음 캔들에서 재훈련을 받아야 합니다. 틱에 대해 작업하면 다음 틱, H1에 다음 시간이 도착하면 다음 시간에 작업합니다.
KNN이 본질적으로 K- 평균 ( k- 가장 가까운 이웃의 외국 이름 ?)인 경우(K- 평균)은 유클리드 거리를 사용합니다 ... "변수가 상관 관계가없는 경우-마하라 노비스 거리는 일반 유클리드 거리와 일치합니다." .... LDA에서 . .. 글쎄, 그들이 상관 관계가 있다면-어제 일반적으로 언급했듯이 마하라 노비스가 더 좋습니다.
유클리드 거리 대신 다른 거리를 사용하는 것을 방해하는 것은 없습니다. 물론 마하라노비스는 두 점 사이의 거리가 아니라 한 점과 샘플 사이의 거리이므로 사용할 수 없습니다.
알고리즘을 KNN과 비교(또는 일부 수정)해 보셨나요? 이득이 얼마나 큰지 궁금합니다.
KNN은 전혀 같은 것이 아닙니다.
저는 분류가 아닌 "예측 능력"에 관심이 있으며, 심지어 우리 비즈니스에서 쓸모가없는 교사 없이도 관심이 있습니다.
이제 정말 큰 진전입니다. 지표와 전문가를 다시 작성해야 하나요?
여기에있는 동안 ICA에 감사 드리며 여전히 feature_extraction("고유하고 중요한 구성 요소의 인식"으로 특성화)에 대한 질문이 있습니다. 이 주제를 한 번 탐색하고 (Python에 대한 설명) 포기했습니다..... 나는 그들이 이미지와 텍스트로 작업 할 때만이 추출을 사용한다는 인상을 받았습니다-구조화 된 데이터 (예 : 요인 표)로 작업 할 때이 접근 방식을 사용해야합니까 ??... 그 유용성을 이해하기 위해 알고리즘의 본질에 대해 몇 마디 쓸 수 있습니까?, 그냥 당신의 기사에서 어떻게 든 그것에 대해 엿볼 수 있습니다 ...? 아니면 제가 뭔가를 놓쳤나요? (그리고 파이썬에서 본 것이 시장의 요소에 feature_extraction을 적용하는 데 영감을 주지 못했습니다).
환경 설정에 대해: 아니면 여전히 일반(또는 설명하신 대로 계층적) PCA를 사용하기로 결정하셨나요?
지금 어떤 dimensionality_reduction을 사용하고 있습니까?
그리고 글에 감사드립니다.
정보가 늘어나는 상황에서 NN이 제대로 작동할 수 있을지 의문입니다. 바로 위에 빨간색은 건드리지 않고 녹색만 먹고 벽 사이를 달리는 것에 대한 언급이 있었습니다. 미로가 증가하면(정보가 증가하면) 빨강/초록에 대한 기억이 날아가 버립니다. 그래서 그는 이전 대형에서는 잘 움직이지만 새로운 대형에서는 잘 움직이지 못합니다. 패턴이 반복되는 한 그는 어느 정도 작동합니다. 그리고 그것은 훈련 된 곳에서만 완벽하게 작동합니다.
동일한 조건에 대해 동일한 NN에 대한 반론은 학생이 더 효율적인 알고리즘을 작성할 수 있다는 것입니다. 그리고 이 알고리즘은 다른 학생이 다른_곡률_공간(또는 최적화/단순화)의 조건에 맞게 개선하거나 가져올 수 있습니다. 이 단순화된 예에서 NN을 사용하는 것은 막다른 길이며, 그 결과는 의식적으로나 질적으로 개선될 수 없습니다. 그리고 이것은 일반적으로 NN(그리고 DL도 마찬가지)의 일반적인 문제입니다. 이 방법은 보라색 배경에 빨간색/녹색, 원형/정사각형 세트에서 빨간색/녹색, 보라색 배경의 흑백 직사각형으로 인식하는 데 사용할 수 있습니다. 형평성을 무한대로 출력하는 것이 아닌 좁은 특수 문제의 해결 방법
KNN은 전혀 같은 것이 아닙니다.
저는 분류가 아닌 "예측 능력"에 관심이 있으며, 심지어 선생님 없이도 우리 비즈니스에서 쓸모가 없습니다.
그럼에도 불구하고 KNN은 슬라이딩 창에서 사용하는 경우 비 고정성을 처리하는 가장 쉬운 방법을 제공합니다. 항상 동일한 예측자 집합을 사용하므로 예측자 집합을 변경하는 알고리즘과 비교하고이 합병증의 이점을 평가할 수 있습니다.
비슷한 문제를 강력하고 민감하게 해결하는 제 방법을 게시할 것입니다. 이론을 제시하고 R로 코드를 게시할 것입니다.
이는 머신 러닝 작업에 대한 "이해"를 상호 강화하기 위한 것입니다.
제가 게시한 내용만으로는 충분하지 않나요?
그러나 KNN은 슬라이딩 창에서 사용할 때 비고정성을 처리하는 가장 쉬운 방법을 제공합니다. 항상 동일한 예측자 집합을 사용하므로 예측자 집합을 변경하는 알고리즘과 비교하고 이 합병증의 이점을 평가할 수 있습니다.
원하는 결과를 얻을 수 없는 일을 할 필요가 없다고 생각합니다.
트레이딩에서 NN과 AI의 적용에 대해 질문한 사람은 누구인가요?
(중략) 플랫폼 (중략 ) ( 중략) (중략) (중략) (중략) (중략) 거래 조건 / 규칙 / 부품 알고리즘에 대한 설명을 자연어로 이해합니다. 물론 영어로
제 생각에는 여기에 AI 노력의 올바른 움직임과 적용 방향이 있습니다. Wolfram 도메인에서와 마찬가지로 Wolfram은 대부분 백과 사전입니다.
---
지금은 같은 분야에 종사하며 오랫동안 소통해 온 사람들끼리도 서로의 말을 알아듣지 못합니다. 자동 번역기나 엔티티 명명에 대한 상호 서명 및 구속력 있는 계약이 없다면 말입니다.)
알고리즘을 KNN과 비교(또는 일부 수정)해 보셨나요? 이득이 얼마나 큰지 궁금합니다.
원칙적으로 원하는 결과를 얻을 수없는 일을하는 것이 의미가 없다고 생각합니다.
그럼에도 불구하고 KNN은 슬라이딩 창에서 사용하는 경우 비 고정성을 처리하는 가장 쉬운 방법을 제공합니다. 항상 동일한 예측자 집합을 사용하므로 예측자 집합을 변경하는 알고리즘과 비교하고이 합병증의 이점을 평가할 수 있습니다.
동의할 수 없습니다.
시장은 변화하고 있으며 변화의 시간 간격은 서로 다르며 서로 독립적입니다.
예전에는 3~6개월짜리 전문가 어드바이저를 작성할 수 있었습니다. 주말에 최적화했죠. 그런 다음 그들은 죽었고 짧은 시간 동안 예치금을 소진하기에 충분했습니다 . 최적화할 시간이 충분하지 않았습니다. 결국 상황은 더욱 악화되었습니다. 얼마 후 매개 변수를 선택할 수없는 경계가 있다는 것이 밝혀졌습니다.
시장 변화의 기간은 5-7년으로 더 길어졌습니다. 그러나 결과는 월별 기간과 동일합니다. 봇은 영원히 죽습니다. 시장에서 특정 봇을 비공개 메시지로 보내 드리겠습니다. 여기서는 할 수 없습니다.
따라서 "표본에서 벗어났다"는 이 모든 아이디어는 쓰레기입니다. 봇의 수명은 얼마나 될지 알 수 없습니다: 3개월 또는 7년. 봇이 죽으면 다른 드로다운과 혼동하여 디포가 고갈됩니다.
이상적으로는 다음 캔들에서 재훈련을 받아야 합니다. 틱에 대해 작업하면 다음 틱, H1에 다음 시간이 도착하면 다음 시간에 작업합니다.
감사합니다, 왜 모든 바에서))))) 그리고 몇 분 후에 틱으로 이동하는 이유))))))
KNN이 본질적으로 K- 평균 ( k- 가장 가까운 이웃의 외국 이름 ?)인 경우(K- 평균)은 유클리드 거리를 사용합니다 ... "변수가 상관 관계가없는 경우-마하라 노비스 거리는 일반 유클리드 거리와 일치합니다." .... LDA에서 . .. 글쎄, 그들이 상관 관계가 있다면-어제 일반적으로 언급했듯이 마하라 노비스가 더 좋습니다.유클리드 거리 대신 다른 거리를 사용하는 것을 방해하는 것은 없습니다. 물론 마하라노비스는 두 점 사이의 거리가 아니라 한 점과 샘플 사이의 거리이므로 사용할 수 없습니다.