Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2875
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Eso es una locura, enseñar a un tonto a rezar, se romperá la frente. Dale a Maxim un gpt3 he....
Te sugiero que bajes un poco la visera.
Estamos explorando las posibilidades del algoritmo.Puedo parsearme simple, la pregunta es si se puede a través de consultas, volver a introducir el perfil y obtener un nuevo token, ¿sabes cómo hacerlo?
Por desgracia, no con autorización.
Es suficiente.
además, dan aproximadamente los mismos resultados, pero el bousting es más rápido y flexible.
Se ha dicho 100 veces*Puedes
Tienes que esperar a que aparezca GPT4 para extraer el significado de este texto. Fallé)
No entiendo cómo puede funcionar la regresión logística con un número diferente de características.
Hay que esperar a que aparezca GPT4 para extraer el significado de este texto. Yo no lo entendí)
No veo cómo la regresión logística puede funcionar con diferente número de características.
Trate de ser específico, voy a preguntar
¿Quizá pedir un ejemplo sencillo de uso de la regresión logística en una tarea de clasificación con un número variable de características?
¿Quizá pedir un ejemplo sencillo de uso de la regresión logística en una tarea de clasificación con un número variable de características?
Lo intentaré un poco más tarde. Si hay más opciones para las preguntas - tirarlos en :)
1) ¿Se utiliza el modelo con un número no fijo de características para sí mismo? (Creo que sí).
2) Pida una forma general de una función recursiva que mapea un número a una lista numérica de longitud arbitraria.
¿Quizá pedir un ejemplo sencillo de uso de la regresión logística en una tarea de clasificación con un número variable de características?
Si el número de características es siempre diferente, puede resultar difícil aplicar los algoritmos tradicionales de aprendizaje automático que esperan un vector de características de tamaño fijo como entrada. Una solución a este problema es utilizar un método llamado "hash de características", que permite representar un conjunto de características de longitud variable como un vector de características de tamaño fijo.
Para ello, se aplica una función hash a las características del conjunto y se utilizan los valores hash como índices en un vector de características de tamaño fijo. Esto permite asignar un conjunto de características de longitud variable a un vector de tamaño fijo, que puede utilizarse como entrada para un modelo de aprendizaje automático.
Por ejemplo, supongamos que tenemos un conjunto de datos con un número variable de características y queremos utilizar la regresión logística para clasificar los datos. Puede aplicar el hashing de características a las características del conjunto de datos, obteniendo un vector de características de tamaño fijo que puede utilizarse como entrada para el modelo de regresión logística.
En general, el hashing de características es una técnica útil para manejar conjuntos de datos con un número variable de características, y puede utilizarse en combinación con algoritmos de aprendizaje automático como la regresión logística para resolver problemas de clasificación.