무게가 클수록 영향력이 크다는 것을 이해했습니다. 그리고 더 많은 정보를 얻을 수 있습니까?
예를 들어, 문제에 더 나은 솔루션이 없거나 볼록하지 않다는 것을 이해하기 위해(용어를 혼동하지 않는 경우). 어떻게 든 가중치가 무한대로 갈 수도 있고 동일한 네트워크 오류로 가중치가 일관되지 않게 변경될 수도 있습니다(즉, 특정 입력에서는 매우 작고 다른 학습 접근 방식에서는 반대로 매우 큼) 등 .
당분간 저는 두 개의 클래스가 비대칭으로 분포되어 있고(하나의 60% 이상) 그리드가 100%의 경우에 "번아웃"되어 하나의 클래스를 제공하는 작업으로 실질적으로 어려움을 겪고 있습니다.
다양한 방식으로 입력 데이터를 필터링하고 새 데이터를 선택합니다. 이 질문은 "나쁜" 입력을 필터링하는 데 도움이 될 수 있습니다. 입력은 모두 버리거나 다르게 필터링합니다.
무게가 클수록 영향력이 크다는 것을 이해했습니다. 그리고 더 많은 정보를 얻을 수 있습니까?
예를 들어, 문제에 더 나은 솔루션이 없거나 볼록하지 않다는 것을 이해하기 위해(용어를 혼동하지 않는 경우). 어떻게 든 가중치가 무한대로 갈 수도 있고 동일한 네트워크 오류로 가중치가 일관되지 않게 변경될 수도 있습니다(즉, 특정 입력에서 가중치가 매우 작고 반대로 다른 학습 접근 방식(다시 시작)에서는 매우 크다) 등
당분간 저는 두 개의 클래스가 비대칭으로 분포되어 있고(하나의 60% 이상) 그리드가 100%의 경우에 "번아웃"되어 하나의 클래스를 제공하는 작업으로 실질적으로 어려움을 겪고 있습니다.
다양한 방식으로 입력 데이터를 필터링하고 새 데이터를 선택합니다. 이 질문은 "나쁜" 입력을 필터링하는 데 도움이 될 수 있습니다. 입력은 모두 버리거나 다르게 필터링합니다.
두 번째 네트워크 출력을 만들어 로트를 계산합니다. 또는 네트워크 신뢰도를 많은 승수로 사용하십시오.
평균화 및 그리드가 항상 로트 크기에 관한 것은 아닙니다.
증분으로 하나의 소음
1회 증분으로 24주기 주기를 찾는 방법
용이하게. 증분으로의 전환은 차별화입니다. 주파수 진폭의 비율은 변하지만 어디에서도 사라지지 않습니다. 더 좋은 것은 느린 사이클이 빠른 사이클을 막히지 않으며 스트로크로 필터링할 필요가 없다는 것입니다.
증분으로 하나의 소음
1회 증분으로 24주기 주기를 찾는 방법
창 48
동료들이여, 경험에서 말하십시오 .
스스로에게 질문을 던졌습니다. 학습 과정에서 입력 레이어의 가중치(입력이 정규화됨)를 모니터링하는 것이 의미가 있습니까? 입력의 중요성을 평가하는 데 정말 도움이 되나요?
나는 도서관을 사용한다. 드미트리 기즐릭 실험을 위해.
R이나 Python에 데이터를 업로드하면 모든 종류의 좋은 지표를 계산할 수 있다는 것을 알고 있습니다. 그러나 그는 아직 그들에게 도달하지 않았으며 비디오 카드에 대한 그의 솔루션이 거의 "날아가는" 것이 편리합니다.
일반적으로 입력의 가중치 를 모니터링하는 것이 간단 합니까? 아니면 어떤 경우에도 먼저 입력 데이터에 대한 자세한 분석을 수행해야 합니까?
입력의 예비 분석을 위해 스캐폴딩을 사용할 수 있습니다.
가중치를 통해 인식의 영향을 평가하는 것이 가능합니다.
무게가 클수록 영향력이 크다는 것을 이해했습니다. 그리고 더 많은 정보를 얻을 수 있습니까?
예를 들어, 문제에 더 나은 솔루션이 없거나 볼록하지 않다는 것을 이해하기 위해(용어를 혼동하지 않는 경우). 어떻게 든 가중치가 무한대로 갈 수도 있고 동일한 네트워크 오류로 가중치가 일관되지 않게 변경될 수도 있습니다(즉, 특정 입력에서는 매우 작고 다른 학습 접근 방식에서는 반대로 매우 큼) 등 .
당분간 저는 두 개의 클래스가 비대칭으로 분포되어 있고(하나의 60% 이상) 그리드가 100%의 경우에 "번아웃"되어 하나의 클래스를 제공하는 작업으로 실질적으로 어려움을 겪고 있습니다.
다양한 방식으로 입력 데이터를 필터링하고 새 데이터를 선택합니다. 이 질문은 "나쁜" 입력을 필터링하는 데 도움이 될 수 있습니다. 입력은 모두 버리거나 다르게 필터링합니다.
입력의 예비 분석을 위해 스캐폴딩을 사용할 수 있습니다.
네, 저도 알아요. R로 했고, 너무 게으르게 오래 왔다 갔다 하기에는 너무 게으릅니다. MT5의 Alglib은 일반적으로 잼 없이 이것을 허용합니까?
그러나 입력의 가중치를 보면 여러 시대의 학습이 즉시 프롬프트될 것이라고 생각했습니다.
무게가 클수록 영향력이 크다는 것을 이해했습니다. 그리고 더 많은 정보를 얻을 수 있습니까?
예를 들어, 문제에 더 나은 솔루션이 없거나 볼록하지 않다는 것을 이해하기 위해(용어를 혼동하지 않는 경우). 어떻게 든 가중치가 무한대로 갈 수도 있고 동일한 네트워크 오류로 가중치가 일관되지 않게 변경될 수도 있습니다(즉, 특정 입력에서 가중치가 매우 작고 반대로 다른 학습 접근 방식(다시 시작)에서는 매우 크다) 등
당분간 저는 두 개의 클래스가 비대칭으로 분포되어 있고(하나의 60% 이상) 그리드가 100%의 경우에 "번아웃"되어 하나의 클래스를 제공하는 작업으로 실질적으로 어려움을 겪고 있습니다.
다양한 방식으로 입력 데이터를 필터링하고 새 데이터를 선택합니다. 이 질문은 "나쁜" 입력을 필터링하는 데 도움이 될 수 있습니다. 입력은 모두 버리거나 다르게 필터링합니다.
가능한 일이 많이 있기 때문에 소다라고 말하지 않겠습니다. 특별하다 주식.
클래스는 NS에 대해 균형을 이루어야 합니다. 누락된 예 추가
네, 저도 알아요. R로 했고, 너무 게으르게 오래 왔다 갔다 하기에는 너무 게으릅니다. MT5의 Alglib은 일반적으로 잼 없이 이것을 허용합니까?
더 나은 파이썬을 배우십시오.
알렉세이 마브린 :
당분간 저는 두 개의 클래스가 비대칭으로 분포되어 있고(하나의 60% 이상) 그리드가 100%의 경우에 "번아웃"되어 하나의 클래스를 제공하는 작업으로 실질적으로 어려움을 겪고 있습니다.
희귀 클래스가 더 많은 포인트를 얻도록 클래스의 균형을 맞추거나 메트릭을 다시 실행하십시오.
용이하게. 증분으로의 전환은 차별화입니다. 주파수 진폭의 비율은 변하지만 어디에서도 사라지지 않습니다. 더 좋은 것은 느린 사이클이 빠른 사이클을 막히지 않으며 스트로크로 필터링할 필요가 없다는 것입니다.
쉽기 때문에 찾지 못한 것이 이상합니다.
쉽기 때문에 찾지 못한 것이 이상합니다.
정현파를 실험하기 전까지는 이해하지 못할 것입니다.