andre andre 481 1 1 gold badge 5 5 silver badges 8 8 bronze badges
stackoverflow.com
I am using python(3.6) anaconda (64 bit) spyder (3.1.2). I already set a neural network model using keras (2.0.6) for a regression problem(one response, 10 variables). I was wondering how can I generate feature importance chart like so:
Из статьи вы узнаете, как написать свою простую нейросеть на python с нуля, не используя никаких библиотек для нейросетей. Если у вас еще нет своей нейронной сети, вот всего лишь 9 строчек кода: Перед вами перевод поста How to build a simple neural network in 9 lines of Python code , автор — Мило Спенсер-Харпер . Ссылка на оригинал — в подвале...
要は、ニューロン層が出力に向かう途中で通過しても、分散が大きくならないようなNSアーキテクチャを構築することだと思うのですが......。imho（そのまま使えるのに、なぜ蓄積するのか、は暴論）...そして、統計学の古典的な論理...。そして、非常に深い歴史であっても、ロバストな瞬間を定性的に分析するためのサンプルは十分ではありません（人生にはあらゆることが起こります）...。 Mihail Marchukajtesの 分類モデルでは、外れ値も起こり得ると思うのですが......。(シーケンサーはどう対処すべきか、考える必要がある)
..
そうなんです、そうなんです、もう落ち着いてください)))
Thrash.どうやら、ニューラルネットワークは、このあたりを支配しているようです。少なくとも私のところの2人はそのレベルです...。
集団農場と工場のシフトを全部笑った（そう、全部組み立てた） :-)
1年以上前の信号で、実際にニューラルネットワークで動作するものを教えてください。
普段は「ニューラルネットワーク、ディープラーニング」など、くだらないことばかり言っている。そして、検討した結果、マーチンゲール、ロック、グリッド、シンプルMA。厳しい現実 - シンプルなアルゴリズムとシンプルな詐欺が支配している。
---
このスレッドを見ている限り、私は結果を見る：唯一の美しい（本当に非常に良い）記事と著者の個人的な自己啓発。
集団農場と工場のシフトを全部笑う（そう、全部集合） :-)
1年以上前の信号で、実際にニューラルネットワークで動作するものを教えてください。
普段は「ニューラルネットワーク、ディープラーニング」など、くだらないことばかり言っている。そして、検討した結果、マーチンゲール、ロック、グリッド、シンプルMA。厳しい現実 - シンプルなアルゴリズムとシンプルな詐欺が支配している。
---
このスレッドを見るたびに、私は結果を見ます：唯一の美しい（本当に非常に良い）記事と著者の個人的な自己啓発を。
そういう意味じゃなくて...。
そして、ニューラルネットワークについては、上で「55〜56が目安」と書きましたが、一般的には何もないくらいです。
モデルに関しては、モデル云々ではなく、AIが本質的に近似値であること...
モデルからNSへ、ではなく、NSからモデルへ、です。もちろん、条件が変わることもありますが...。
ケインズによれば、バランスは古典派ASのセグメントにあり、インバランスはケインズのセグメントにある、と考えたとき、この事実を決定するためのNSは、グローバルには私には関係ないようなものだと、すでに気づいていたのですが......。
(近似はAIスキルの1つに過ぎませんし、＋最適化など）。
Evgeniy Ilin # :
必要なものはすべてOHLCにあり、残りのデータはそこから導き出されます。主なものは、OHLCをより重みのあるデータに変換する方法を見つける柔軟なアルゴリズムであり、これもまた機械の仕事である。また、OHLCだけはほとんど同じで、ティックボリュームなどを見るとこのデータは違うし、スプレッドなども違う。必要なものは、端末のチャートに書いてあります。
でも、ディープラーニングの能力があれば、可能でしょうけど...。(霧の中のような「直線」の曲率を求める方法まで覚えていました。1次、2次導関数、引用元の著者に感謝します))
また、もっと控えめなものであれば、今の瞬間のサンプルを実行することもできます...。そして、イールドカーブが水平になり始めたら、再教育する...。
しかし、最初に本当に重要な（論理的、経済的に）サインを使えば、機械自身が、何がその瞬間の市場を動かしているか（つまり、ドライバーがその瞬間に最も依存しているもの）を把握してくれる......。
Mihail Marchukajtesは 非常に興味深い/論理的なアプローチで、多項式を説明してくれたことに感謝します（私も覚えて おこうと思います）...。を知っているだけの男だ！...しかし、もし他の人が過去の統計（まだモデルではない！！）がどのように機能するかを知らず、知りたくもないとしたら、その人はモデル、ニューロン、市場、条件を非難することになるでしょうね。で、ちなみに後者の変化は、まさに良いインプットを入れるところです- 生態系は、その構造に関わらず、常に「 条件→反応→結果 （環境の結果も）」という図式で機能する。
トレーダーは、いつ市場に参入しないかを知ることが重要なのです。
追伸
そして、見つかった電流の依存関係やその相互作用がモデルとして発展するかどうかは、世界的な課題である......。そして、それはNSには関係なく、NSを道具として使うが、入る理由にはせず、分析・結論の責任を委ねないサンプルスタディ作成者の脳の接近能力に関わるものである
それが、AIで見つけた依存関係をもとに作られたモデル--モデルからNSに行くのではなく、NSからモデルに行く--が、具体的な現状で動いている......ということなんです。もちろん、条件が変わることもありますが...。
古典派ASのセグメントでのバランスとケインズ派のセグメントでのアンバランスが--ケインズによれば--、と考えたときに、この事実をグローバルに判断するNSは、ある種、もうどうでもいいことだと、もう気がつきましたね......。
(近似はAIスキルの1つに過ぎませんし、＋最適化など）。
が、ディープラーニングのキャパシティがあれば、可能なんでしょうけど...。(霧のような「直線」の曲率を求める方法まで覚えていました。1次、2次導関数、引用元の著者に感謝します))
また、もっと控えめなものであれば、今の瞬間のサンプルを実行することもできます...。そして、イールドカーブが水平になり始めたら、再教育する...。
でも、最初に本当の意味での属性（論理的、経済的）を使えば、機械自身が、今、何が市場を動かしているのか（つまり、ドライバーが最も依存しているものは何か）を把握してくれるはずです...。
Mihail Marchukajtesは 非常に興味深い/論理的なアプローチで、多項式を説明してくれたことに感謝します（私も覚えておこうと思います）...。を知っているだけの男だ！...しかし、もし他の人が過去の統計（まだモデルではない！！）がどのように機能するかを知らず、知りたくもないとしたら、その人はモデル、ニューロン、市場、条件を非難することになるでしょうね。で、ちなみに後者の変化は、まさに良いインプットを入れるところです- 生態系が機能する仕組みは、その構造に関わらず、まさに「 条件→反応→結果 （環境への影響 も含む）」である。
トレーダーは、いつ市場に参入しないかを知ることが重要なのです。
追伸
トレーダーが現在の依存関係やその相互作用をモデルに取り込んだかどうか、それはグローバルな問題です。NSを道具として使いながら、分析・結論に至るまで全責任を負わせない研究者の脳へのアプローチ能力であり、NSには関係ない。
TensorFlowのドキュメントを読むと、全てがコンストラクタ形式になっている...。を実践しています。本当にブラックボックスです。もし興味があれば、手書きで書いたパーセプトロンの コードを差し上げます。ちなみに、すべて行列計算で、その上に構築されています
ちなみにtensorflow.kerasは（Evgeny Dyukaの ような）。
現時点では、Kerasは特徴の重要度を抽出する機能を提供していません。
SKLearnの方が面白そう -機械学習結果の解釈（ライブラリはイマイチかも しれないが、評価のロジックは与えられる）。
追伸
付いていない...
ということで、Tensorflow.keras を使って、（Evgeny Dyuka が持っているような？
SKLearnの方が面白そう - 機械学習結果の解釈（ライブラリはイマイチかも しれないが、評価ロジックは与えられる）。
追伸
付いていない...
何かジャングルの中に入っていくんですね。NSを予測する（というか予測できない）問題は、もっと単純なレベルで、NSそのものとは関係ないのです
https://neurohive.io/ru/tutorial/prostaja-nejronnaja-set-python/
単純なパーセプトロンです)))。
私のチュートリアルの例はJupiterにあり、断片的なコピーはしたくありませんし、githabも使いません。
ちょっとマンネリ化してきたね。
その理屈は...NSは、形質の要因依存性を記述する公式がない場合に使用するものである...。の重み付けが使用される...しかし、NSの前後では、標準的／古典的な統計処理が有効である...。例えば、PDF=F'(X)=dF(x)/dxしかなく（母集団分析による結論はすべてPDFによってなされるのでCDFは必要ありませんが）、揮発性のデータを持っている - まず、私はそれらの共同分析の可能性のために分布を均一にする必要があり、ここでは重み付けが役立ちます（私はここで数学を目指しているわけではありません）...が、分析自体はNSとは関係ないし、それ（NS）に対する結論もない...。このような推定は粗いかもしれないが、古典統計学も不完全である（例えば、増分の対数を使うこと自体、すでに結論に傾向性を導入している-純粋に数学的欠陥である）...。どんなモデルにも「前提」があります。
市場参加者は、予測を待つのではなく、リスクとボラティリティを 評価し、 それに基づいて取引（およびヘッジ）を決定する...この分析には、ボラティリティと タイムウィンドウという 2つの変動要因がありますが、NSはサンプルを統一するのに役立ち（ただし、GARCHを使うこともできます）、単一の統計モデルで一緒に分析することができ、水平線を決定するのに役立ちます...。そんな時、数学の公式がない、必要ない（この世界ではすべてが変化する）...。しかし，重み付け，重み付け，そしてまた重み付け（ある回帰への圧縮のため）により，1つの統計モデル内で共同分析を行い，できればノイズなしで，あるいは少なくともその最小化で...です。
ガウシアンに対するベイズ推論 ロジックは覚えておいて 損はないだろう ...
要は、ニューロン層が出力に向かう途中で通過しても、分散が大きくならないようなNSアーキテクチャを構築することだと思うのですが......。imho（そのまま使えるのに、なぜ蓄積するのか、は暴論）...そして、統計学の古典的な論理...。そして、非常に深い歴史であっても、ロバストな瞬間を定性的に分析するためのサンプルは十分ではありません（人生にはあらゆることが起こります）...。 Mihail Marchukajtesの 分類モデルでは、外れ値も起こり得ると思うのですが......。(シーケンサーはどう対処すべきか、考える必要がある)
いまのところimportscipy.stats as stats も見てみる。
追伸
リンクありがとうございます
を論理に ...NSは形質の要因依存性を記述する公式の欠如を回避する必要がある場合に使用される...ということです。の重み付けが使用される...しかし、NSの標準的/古典的な統計処理の前後で...例えば，PDF=F'(X)=dF(x)/dxしかなく（母集団分析の結論はすべてPDFから導かれるので，CDFは必要ありませんが），揮発性のデータを持っています - まず，共同分析ができるように分布を均一化する必要があります - ここで重み付けが役立ちます（ここで私は数学を目指しているわけではありません）．が、分析自体はNSとは関係ないし、それ（NS）に対する結論もない...。このような推定は粗いかもしれないが，古典統計学も不完全である（例えば，増分の対数を用いること自体，すでに結論に傾向性を導入している-純粋に数学的欠陥）...。どんなモデルにも「前提」があります。
市場参加者は、予測を待つのではなく、リスクとボラティリティを 評価し、 それに基づいて取引（およびヘッジ）を決定する...この分析には、ボラティリティと タイムウィンドウという 2つの変動要因がありますが、NSはサンプルを統一するのに役立ち（ただし、GARCHを使うこともできます）、単一の統計モデルで一緒に分析することができ、水平線を決定するのに役立ちます...。そんな時、数学の公式がない、必要ない（この世界ではすべてが変化する）...。しかし、重み付け、重み付け、そしてまた重み付けをすることで、一つの統計モデルの中で共同分析を行い、できればノイズのない、あるいは少なくともその最小化を行うことができます...
要は、ニューロン層が出力に向かう過程で分散が大きくならないようなNSアーキテクチャを構築することだと思うのですが......。imho（そのまま使えるのに、なぜ蓄積するのか-という暴論）...そして、統計学の古典的な論理...。そして、非常に深い歴史においてさえ、ロバストな瞬間を定性的に分析するのに十分なサンプルはありません（人生にはあらゆることが起こります）。
いまのところもう一回見てみるimport scipy.stats as stats
追伸
リンクありがとうございます