Que mettre à l'entrée du réseau neuronal ? Vos idées... - page 59
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Eh bien, faites-vous une raison.
L'apprentissage est un concept plus large que l'optimisation et l'approximation. Pourquoi est-ce si difficile ?
Large, étroit.
J'ai une question et de la perplexité dans une même bouteille. Avez-vous vraiment l'intention de continuer à discuter du MoD le cul nu, c'est-à-dire sans connaissance minimale du sujet de discussion ? :)
Si le sujet de l'apprentissage en profondeur pour eux est de discuter avec gpt, qu'en pensez-vous ?
Au moins, il est mieux formé que d'autres. Beaucoup d'experts ont travaillé dur.
L'hallucination n'a mené nulle part
Il s'agit d'un problème connu pour les nouvelles données. En tant que base de connaissances, c'est tout à fait tolérable :)
La qualité maximale de l'apprentissage sera atteinte lors d'une mémorisation absolument précise, c'est-à-dire lorsque toutes les données sont entièrement enregistrées dans la base de données, ou lors de l'apprentissage d'un arbre jusqu'à la toute dernière division possible ou d'un regroupement avec un nombre de regroupements = nombre d'exemples.
Les arbres qui cessent de se diviser plus tôt ou qui se regroupent avec moins de grappes généraliseront et fusionneront les données dans les feuilles/grappes. Il s'agit de modèles sous-entraînés, mais en présence de bruit, ils peuvent donner de meilleurs résultats que les modèles avec rappel exact.
Au début de la branche MO, il y a eu un exemple d'enseignement de la table de multiplication à un échafaudage. Comme il n'a pas reçu un nombre infini de choix possibles pour l'entraînement, la forêt produit parfois des réponses exactes, mais surtout des réponses approximatives. Il est clair qu'elle est sous-entraînée. Mais elle est capable de généraliser - en trouvant et en calculant la moyenne des réponses les plus proches des réponses correctes des arbres individuels.
Avec l'apprentissage dans le bruit, il est difficile d'évaluer la qualité. Surtout si le bruit est beaucoup plus fort que les modèles, comme c'est le cas dans le commerce.
Pour cela, on a inventé l'évaluation sur des échantillons de validation et de test, la validation croisée, le jacking forward, etc.C'est ainsi que le mot "évaluation" est apparu, ce qui est très bien.
L'apprentissage doit donc être évalué d'une manière ou d'une autre, peu importe comment, l'important est d'améliorer l'évaluation. C'est vrai ?