Maxim Dmitrievsky #: 한 번에 검증 봇을 생성하고 테스터 / 최적화 프로그램을 통해 필요한 규칙을 확인하는 것 같아요.
파이썬에서 리프 선택을 수행하는 것이 더 좋으며 최종 모델은 터미널에서 수행 할 수 있습니다. 그러나 규칙을 터미널로 전송해야하며 이는 또한 쉽지 않습니다. 그렇기 때문에 어떤 의미에서 덜 정확하더라도 모든 것을 파이썬으로 수행하는 것이 더 좋지만 프로세스를 처음부터 끝까지 볼 수 있습니다. 이것은 현재 실험일 뿐입니다....
파이썬에서 잎을 선택하는 것이 더 낫고 최종 모델-음, 터미널에서 할 수 있습니다. 그러나 규칙을 터미널로 전송해야하며 이는 또한 쉽지 않습니다. 그렇기 때문에 어떤 의미에서 덜 정확하더라도 모든 것을 파이썬으로 수행하는 것이 더 좋지만 프로세스를 처음부터 끝까지 볼 수 있습니다. 이것은 현재 실험일 뿐입니다....
글쎄요, 규칙을 이동하는 데 비용이 들지 않습니다.
메트릭으로 파이썬에서 선택하면 테스터를 만들 수 있을 것 같습니다.
많은 일을 할 수 있습니다. 나무 모델, 선형 모델, 부스팅을 통해.
+ 가장 효과적인 방법 중 하나 인 조정을 통한 표지판 생성기. 그러나 계산하는 데 시간이 오래 걸립니다. 정량화의 자동 아날로그입니다.
한 번에 검증 봇을 생성하고 테스터 / 최적화 프로그램을 통해 필요한 규칙을 확인하는 것 같아요.
파이썬에서 리프 선택을 수행하는 것이 더 좋으며 최종 모델은 터미널에서 수행 할 수 있습니다. 그러나 규칙을 터미널로 전송해야하며 이는 또한 쉽지 않습니다. 그렇기 때문에 어떤 의미에서 덜 정확하더라도 모든 것을 파이썬으로 수행하는 것이 더 좋지만 프로세스를 처음부터 끝까지 볼 수 있습니다. 이것은 현재 실험일 뿐입니다....
부스터에 규칙을 넣는 이유는 무엇인가요?
규칙을 집계하는 한 가지 방법으로 적어두었습니다. 본질적으로 가중치를 부여하고 불일치를 제거합니다. 최고의 사례를 식별합니다.
간단한 트리를 사용할 수도 있습니다. 아니면 직접 집계하여 가중치를 부여할 수도 있습니다. 저는 이 모든 방법을 시도해 보았습니다.
다른 아이디어가 있으신가요?
파이썬에서 잎을 선택하는 것이 더 낫고 최종 모델-음, 터미널에서 할 수 있습니다. 그러나 규칙을 터미널로 전송해야하며 이는 또한 쉽지 않습니다. 그렇기 때문에 어떤 의미에서 덜 정확하더라도 모든 것을 파이썬으로 수행하는 것이 더 좋지만 프로세스를 처음부터 끝까지 볼 수 있습니다. 이것은 현재 실험일 뿐입니다....
글쎄요, 규칙을 이동하는 데 비용이 들지 않습니다.
메트릭으로 파이썬에서 선택하면 테스터를 만들 수 있을 것 같습니다.
많은 일을 할 수 있습니다. 나무 모델, 선형 모델, 부스팅을 통해.
+ 가장 효과적인 방법 중 하나 인 조정을 통한 표지판 생성기. 그러나 계산하는 데 시간이 오래 걸립니다. 정량화의 자동 아날로그입니다.
집계하는 한 가지 방법을 썼습니다. 본질적으로 가중치를 부여하고 불일치를 제거합니다. 최고의 사례를 식별합니다.
간단한 트리를 사용할 수도 있습니다. 또는 가중치를 직접 집계하고 분배할 수도 있습니다. 저는 이 모든 방법을 적용해 보았습니다.
다른 아이디어가 있으신가요?
규칙을 변경하는 데 비용이 들지 않습니다.
메트릭에 의한 Python 선택, 테스터를 만들어 볼게요.
할 수 있는 일은 많습니다. 나무 모델, 선형 모델, 부스팅을 통해요.
+ 가장 효율적인 방법 중 하나인 콜레이션을 통한 기능 생성기를 사용할 수도 있습니다. 하지만 계산하는 데 시간이 오래 걸립니다. 정량화의 자동 아날로그입니다.
"콜레이션"이란 무엇인가요?
규칙별 통계가 이 문제를 해결하는 방법은 다음과 같습니다.
불일치를 제거하고 상호 비선형 종속성을 드러내는 트리 모델. 한 나무의 나뭇잎을 사용하는 것이 아니라 여러 나무의 나뭇잎을 사용하는 것입니다.
트리 모델을 사용하여 모순을 제거하고 상호 비선형 종속성을 드러냅니다. 한 나무의 나뭇잎이 아니라 여러 나무의 나뭇잎을 사용하는 것이죠.
이 규칙은 모델에 대한 이진 속성일 뿐인가요?
네, 맞습니다.
"조정"이란 무엇인가요?
컨볼루션, 컨볼루션 커널.
컨볼루션 커널 변환