그리고 나는 당신에게 무엇을 알려줍니다. 우선 작업을 진공 상태로 설정합니다. 당신의 측정항목으로
트롤 및 기타 상품이 있는 테스터를 운전하고 싶다면:
대상과 함께 .csv의 데이터를 제공합니다(이는 바이너리 분류라는 것을 이해합니다). 그런 다음 모델을 훈련하고 목표를 예측합니다. 얻은 결과를 모델 응답 목록의 형태로 동일한 테스터에 로드하고 실행합니다. 그러나 각 모델에 대해 이 작업을 수행하는 것은 피팅을 위한 또 다른 옵션이므로 메트릭 또는 대상에 대해 생각하는 것이 좋습니다. 그리고 테스터에서는 마지막 옵션만 구동합니다.
그리고 실시간으로 별도의 치질이며, 모든 모델이 dll로 포장될 수 있는 것은 아닙니다.
글쎄요, 저는 제 모든 모델이 MT에서 시작하고 그곳에서 기분이 좋습니다.
그리고 저는 이 지표를 선택했습니다. 그건 그렇고, 옵티마이저에서 나는 Matthews 메트릭을 이것으로 변경했습니다. 하지만 내가 알기로는 최적화 알고리즘이 준비되면 메트릭 문제가 해결됩니다....
Оценка качества классификационных моделей — сложная и трудоемкая задача. Сперва аналитик оценивает робастность классификационной модели с помощью таких средств, как AIC-BIC, площадь под ROC-кривой, критерий согласия Колмогорова-Смирнова и др. Следующим логическим шагом является оценка точности модели. Чтобы понять, почему эта задача является...
따라서 얻은 결과를 평가하는 방법이 중요합니다. 우리가 말하는 것과 동일한 메트릭이고 메트릭이 결과를 적절하게 평가하면 블랙박스의 경우 오류 역전파 방법이 수행되므로 가장 오래된 방법이 다시 훈련되지만 결과를 슈퍼 듀퍼 메트릭으로 평가하면 학습 프로세스가 끝나면 이 메트릭이 최적화 알고리즘에 대해 STOP이라고 표시되지 않을 때까지 최적화할 수 있습니다.
Reshetlov 옵티마이저에 대한 진지한 계획이 있고 이미 많은 작업을 수행했으며 할 일이 거의 없습니다. 그에게 매우 놀라운 메트릭을 추가하면 이미 몇 가지 아이디어가 있습니다 ...
따라서 얻은 결과를 평가하는 방법이 중요합니다. 우리가 말하는 것과 동일한 메트릭이고 메트릭이 결과를 적절하게 평가하면 블랙박스의 경우 오류 역전파 방법이 수행되므로 가장 오래된 방법이 다시 훈련되지만 결과를 슈퍼 듀퍼 메트릭으로 평가하면 학습 프로세스가 끝나면 이 메트릭이 최적화 알고리즘에 대해 STOP이라고 표시되지 않을 때까지 최적화할 수 있습니다.
Reshetlov 옵티마이저에 대한 진지한 계획이 있고 이미 많은 작업을 수행했으며 할 일이 거의 없습니다. 그에게 매우 놀라운 메트릭을 추가하면 이미 몇 가지 아이디어가 있습니다 ...
여기서 어떤 메트릭을 제시하든 대부분의 ML에서 최적화 기능은 동일하게 유지됩니다. lizh 메트릭을 사용하면 모델이 재학습되기 시작하는 순간을 포착할 수 있습니다.
+ 자체 메트릭을 작성하면 개발 환경과 사용되는 라이브러리가 즉시 제한됩니다(모두 비표준 메트릭을 지원하는 것은 아님).
정말 필요한 것과 최대한 일치하도록 대상을 생각하는 것이 좋습니다. 그리고 ML에 채택된 표준 메트릭으로 평가할 수 있습니다.
В задачах машинного обучения для оценки качества моделей и сравнения различных алгоритмов используются метрики, а их выбор и анализ — непременная часть работы датасатаниста. В этой статье мы рассмотрим некоторые критерии качества в задачах классификации, обсудим, что является важным при выборе метрики и что может пойти не так. Метрики в...
이것은 python, p 또는 기타 몇 줄로 수행됩니다(더 큰 스프레드, 미끄러짐 ...) 실생활과 다르지 않을 것입니다. 이미 백 번 들었습니다))) Nakuya 전용 Equy가 명확하지 않고 정상적인 모델이 없으며 없을 것입니다 ... 그리고 친구에게 당신이 넣은 것을 말하십시오 oi, 볼륨 등, 즉, 데이터 기록이 길지 않습니다.)))
음, 알다시피... 곡선의 유형을 포함하여 내가 넣을 모델을 결정합니다. 모델이 수익성 있는 거래의 90%를 달성하고 중요한 순간에 끔찍하게 누출된다면 모델이 무슨 소용이 있습니까? 균형 곡선의 유형이 중요합니다. 물론, 그것만으로는 충분하지 않겠지만, 그래도 나름의 대표자는 있을 것입니다.
그리고 나는 당신에게 무엇을 알려줍니다. 우선 작업을 진공 상태로 설정합니다. 당신의 측정항목으로
트롤 및 기타 상품이 있는 테스터를 운전하고 싶다면:
대상과 함께 .csv의 데이터를 제공합니다(이는 바이너리 분류라는 것을 이해합니다). 그런 다음 모델을 훈련하고 목표를 예측합니다. 얻은 결과를 모델 응답 목록의 형태로 동일한 테스터에 로드하고 실행합니다. 그러나 각 모델에 대해 이 작업을 수행하는 것은 피팅을 위한 또 다른 옵션이므로 메트릭 또는 대상에 대해 생각하는 것이 좋습니다. 그리고 테스터에서는 마지막 옵션만 구동합니다.
그리고 실시간으로 별도의 치질이며, 모든 모델이 dll로 포장될 수 있는 것은 아닙니다.
글쎄요, 저는 제 모든 모델이 MT에서 시작하고 그곳에서 기분이 좋습니다.
그리고 저는 이 지표를 선택했습니다. 그건 그렇고, 옵티마이저에서 나는 Matthews 메트릭을 이것으로 변경했습니다. 하지만 내가 알기로는 최적화 알고리즘이 준비되면 메트릭 문제가 해결됩니다....
모든 것, 모든 모델은 공식입니다. 빌어 먹을, 문제를 꺼낼 수없는 곳에서 블랙 박스를 사용하면 문제가 발생합니다.
테스터, 정확성 및 모든 것이 ... Misha가 누구이며 어떤 흥미 진진한 여정이 기다리고 있는지 모릅니다.
당신보다 앞서))))
그리고 가장 중요한 수익성...
사실, 저는 DLL과 모든 종류의 번들을 지지하는 사람이 아닙니다... 저는 원래 형태의 순수한 MKUL을 좋아합니다 :-)
모든 것, 모든 모델은 공식입니다. 빌어 먹을, 문제를 꺼낼 수없는 곳에서 블랙 박스를 사용하면 문제가 발생합니다.
테스터, 정확성 및 모든 것이 ... Misha가 누구이며 어떤 흥미 진진한 여정이 기다리고 있는지 모릅니다.
당신보다 앞서))))
음, 훈련 후 OOS의 SWR 파일에서 데이터를 교환하여 결과가 균형 곡선 형태가 되도록 할 수 있습니까????
모든 것, 모든 모델은 공식입니다. 빌어 먹을, 문제를 꺼낼 수없는 곳에서 블랙 박스를 사용하면 문제가 발생합니다.
테스터, 정확성 및 모든 것이 ... Misha가 누구이며 어떤 흥미 진진한 여정이 기다리고 있는지 모릅니다.
당신보다 앞서))))
더 많거나 덜 생산적인 ML은 이제 블랙박스입니다.)
더 많거나 덜 생산적인 ML은 이제 블랙박스입니다.)
따라서 얻은 결과를 평가하는 방법이 중요합니다. 우리가 말하는 것과 동일한 메트릭이고 메트릭이 결과를 적절하게 평가하면 블랙박스의 경우 오류 역전파 방법이 수행되므로 가장 오래된 방법이 다시 훈련되지만 결과를 슈퍼 듀퍼 메트릭으로 평가하면 학습 프로세스가 끝나면 이 메트릭이 최적화 알고리즘에 대해 STOP이라고 표시되지 않을 때까지 최적화할 수 있습니다.
Reshetlov 옵티마이저에 대한 진지한 계획이 있고 이미 많은 작업을 수행했으며 할 일이 거의 없습니다. 그에게 매우 놀라운 메트릭을 추가하면 이미 몇 가지 아이디어가 있습니다 ...
따라서 얻은 결과를 평가하는 방법이 중요합니다. 우리가 말하는 것과 동일한 메트릭이고 메트릭이 결과를 적절하게 평가하면 블랙박스의 경우 오류 역전파 방법이 수행되므로 가장 오래된 방법이 다시 훈련되지만 결과를 슈퍼 듀퍼 메트릭으로 평가하면 학습 프로세스가 끝나면 이 메트릭이 최적화 알고리즘에 대해 STOP이라고 표시되지 않을 때까지 최적화할 수 있습니다.
Reshetlov 옵티마이저에 대한 진지한 계획이 있고 이미 많은 작업을 수행했으며 할 일이 거의 없습니다. 그에게 매우 놀라운 메트릭을 추가하면 이미 몇 가지 아이디어가 있습니다 ...
여기서 어떤 메트릭을 제시하든 대부분의 ML에서 최적화 기능은 동일하게 유지됩니다. lizh 메트릭을 사용하면 모델이 재학습되기 시작하는 순간을 포착할 수 있습니다.
+ 자체 메트릭을 작성하면 개발 환경과 사용되는 라이브러리가 즉시 제한됩니다(모두 비표준 메트릭을 지원하는 것은 아님).
정말 필요한 것과 최대한 일치하도록 대상을 생각하는 것이 좋습니다. 그리고 ML에 채택된 표준 메트릭으로 평가할 수 있습니다.
https://habr.com/company/ods/blog/328372/
https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietriki-kachiestva-klassifikatsii-1-IVuAc
이것은 python, p 또는 기타 몇 줄로 수행됩니다(더 큰 스프레드, 미끄러짐 ...)
실생활과 다르지 않을 것입니다. 이미 백 번 들었습니다))) Nakuya 전용
Equy가 명확하지 않고 정상적인 모델이 없으며 없을 것입니다 ... 그리고 친구에게 당신이 넣은 것을 말하십시오
oi, 볼륨 등, 즉, 데이터 기록이 길지 않습니다.)))
음, 알다시피... 곡선의 유형을 포함하여 내가 넣을 모델을 결정합니다. 모델이 수익성 있는 거래의 90%를 달성하고 중요한 순간에 끔찍하게 누출된다면 모델이 무슨 소용이 있습니까? 균형 곡선의 유형이 중요합니다. 물론, 그것만으로는 충분하지 않겠지만, 그래도 나름의 대표자는 있을 것입니다.
훈련에 얼마나 많은 데이터가 필요합니까????
여기서 어떤 메트릭을 제시하든 대부분의 ML에서 최적화 기능은 동일하게 유지됩니다. lizh 메트릭을 사용하면 모델이 재학습되기 시작하는 순간을 포착할 수 있습니다.
+ 자체 메트릭을 작성하면 개발 환경과 사용되는 라이브러리가 즉시 제한됩니다(모두 비표준 메트릭을 지원하는 것은 아님).
정말 필요한 것과 최대한 일치하도록 대상을 생각하는 것이 좋습니다. 그리고 ML에 채택된 표준 메트릭으로 평가할 수 있습니다.
https://habr.com/company/ods/blog/328372/
https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietriki-kachiestva-klassifikatsii-1-IVuAc
세금 .... 모든 것이 명확합니다. New .... 그럼 낯익은 너의 모습을 바라봐 :-)
대상에서는 모든 것이 정상이므로 걱정하지 마십시오. 최적화 프로그램은 Java로 작성되었습니다. 거기에서 임의로 복잡한 메트릭을 구현하는 것이 불가능하다고 생각합니까???? 부탁해....
세금 .... 모든 것이 명확합니다. 새로운.... 그럼 낯익은 얼굴을 봐요 :-)
나는 목표에 대해 문제가 없으며 그것에 대해 걱정하지 마십시오. 최적화 프로그램은 Java로 작성되었습니다. 거기에서 임의로 복잡한 메트릭을 구현하는 것이 불가능하다고 생각합니까???? 부탁해....
옵티마이저를 마스터한지 10년이 되던 해...
하지만 해피 아워는 보지 않는다