마법사_ : 아마추어를위한 슬라이딩 컨트롤))))이 경우에만 모델이 적합하다는 사실은 망상입니다. 그러나 이것은 모두 말도 안되는 소리이며 모든 사람은 다른 단계에서 자신의 괴상한 요구 사항이 있습니다. 추가할 수 있습니다. 나는 %와 약의 출력을 의미했습니다. 테스트 1의 경우(테스트 = OOS - 새 데이터에 공식 적용) 더하기 창 응용 프로그램, 빠른 사용성. 일반 껍데기 제작이 가능하며, Reshetov는 경험 많은 코더이므로 올바른 방법으로 수행해야 합니다. 그게 다야. 물론 모든 IMHO.
나는 유리가 쓰레기를 만들었다고 생각해서가 아니라 유리의 소프트웨어를 시도하지 않을 것입니다. 그리고 그에게 숙련된 프로그래머가 되게 하십시오. 모든 것이 이미 구현되었으며 내가 사용하는 패키지에 앞으로 나아갈 방향이 있다는 것이 밝혀졌습니다. 그리고 샘플당 150-200개 모델이 SVM에서 정규화가 있는 선형 모델, XGBOOST 에 연결됩니다.
나는 영재를 위해 다시 한 번 반복 합니다. 모델이 선택을 통과했다고 해서 특히 고정되지 않은 환경에서 선택한 작업 y에 잠재적으로 적합하다는 의미는 전혀 아닙니다 . 그녀가 어떻게 든 선발 과정을 통과했다는 것을 의미합니다.
신청자가 대학 입학 시험을 통해 선택을 통과했다면 이것이 졸업장을 방어한다는 의미는 아니며 더욱이 선택한 전문 분야에서 계속 일할 것이라는 의미는 아닙니다.
선택은 부적합 가능성을 감소시킬 뿐이지 항상 0이 되는 것은 아닙니다. 그리고 우리는 선택의 결과도 거짓 긍정과 거짓 부정이 될 수 있다는 것을 잊어서는 안됩니다. 저것들. 선택 과정에서 "아이가 글꼴에서 물과 함께 버려졌을" 확률은 0이 아닙니다.
모르시는 분들을 위해 다시 한번 설명드리겠습니다.
모든 결과는 확실히 확률적입니다!
훈련에 대한 모델의 결과가 있고 교차 검증 또는 테스트에 대한 결과가 있습니다( 모델 매개변수를 선택 하고 훈련을 조기에 중지하기 위해). 샘플 외 모델 결과인 최종 점수도 있습니다.
테스트 결과가 out-of-sample 결과와 잘 상관된다면 종속성 모델링의 품질은 out-of-sample 기간에 대해 관성을 갖습니다. 이 경우 테스트("샘플"이 아님) 모델에서 최선을 다할 수 있습니다. 미래에는 알려진 매개변수를 사용하여 모든 새 데이터에 대해 모델을 재학습하고 미래 결과와의 연결이 거의 설정되기 때문에 최상의 데이터를 선택할 수 있습니다.
테스트 점수가 샘플 외 점수와 잘 상관되지 않으면 최상의 훈련 모델을 선택하는 것이 의미가 없습니다. 최상의 모델을 "샘플에서 제외"하는 것이 적합합니다. 모델 자체를 구성하는 방법을 거부하거나 매개 변수 범위를 크게 변경하는 한 가지 방법이 있습니다.
그리고 예를 들어 Reshetov 옵티마이저에 따라 일반화 능력을 높이기 위해 딥 러닝을 사용하고 예측 품질을 평가하는 새로운 기능을 고려하면 일반적으로 아름다움입니다. 딥러닝을 사용하면 일반화 50%로 80~90%까지 올릴 수 있는데 이 상황에서 모델이 펑펑 작동하기 시작하는데.... 자, 마무리 하세요. 그리고 다투지 마십시오. (c) Leopold와 모두 ......
"예를 들어, 일주일 동안 지사를 만들도록 제안할 수 있습니다. 사람들은 일주일 동안 발언할 것입니다.
내 게시물에 위의 인용문을 삽입한 거시기는 모르지만 내 게시물이 아닙니다.
중재자가 내 게시물을 좋아하지 않는다면 그것은 그들의 권리입니다. 내 메시지에 다른 사람의 텍스트를 삽입하지 말고 좀 더 교양 있게 행동하십시오. 구체적으로 무엇을 좋아하지 않았는지, 그리고 자신을 대신하여 표시하십시오. 그리고 나는 중재자를 귀찮게하지 않기 위해이 사이트를 내 자신을 위해 남겨 둡니다. 프로필의 링크.
"예를 들어, 일주일 동안 지사를 만들도록 제안할 수 있습니다. 사람들은 일주일 동안 발언할 것입니다.
내 게시물에 위의 인용문을 삽입한 거시기는 모르지만 내 게시물이 아닙니다.
중재자가 내 게시물을 좋아하지 않는다면 그것은 그들의 권리입니다. 내 메시지에 다른 사람의 텍스트를 삽입하지 말고 좀 더 교양 있게 행동하십시오. 구체적으로 무엇을 좋아하지 않았는지, 그리고 자신을 대신하여 표시하십시오. 그리고 나는 중재자를 귀찮게하지 않기 위해이 사이트를 내 자신을 위해 남겨 둡니다. 프로필의 링크.
"예를 들어, 일주일 동안 지사를 만들도록 제안할 수 있습니다. 사람들은 일주일 동안 발언할 것입니다.
내 게시물에 위의 인용문을 삽입한 거시기는 모르지만 내 게시물이 아닙니다.
중재자가 내 게시물을 좋아하지 않는다면 그것은 그들의 권리입니다. 내 메시지에 다른 사람의 텍스트를 삽입하지 말고 좀 더 교양 있게 행동하십시오. 구체적으로 무엇을 좋아하지 않았는지, 그리고 자신을 대신하여 표시하십시오. 그리고 나는 중재자를 귀찮게하지 않기 위해이 사이트를 내 자신을 위해 남겨 둡니다. 프로필의 링크.
그리고 나중에 관심을 가질 것입니다. 비록 내가 쓰레기라고 생각하지만)))) 예, + R은 가능한 모든 것이 이미 구현되었다는 것입니다. 저는 ML을 오랫동안 사용하지 않았지만 재교육이 없는 모델만 사용했습니다. ML로 마지막으로 한 작업 중 하나는 이벤트가 항상 목표에 도달하도록 모델을 채웁니다. 당신은 결합, 일반적으로 93-96 %로 나타났습니다. 나머지는 이미 훈련 중입니다. 다시 말해 - 아이가 이미 조금 걷는 법을 배웠다면 매일 같은 것을 반복할 필요가 없습니다. 웅덩이를 뛰어 넘을 때를 알려주십시오(재훈련). (타겟에서의 예측 부족) 조금 떨어졌습니다, 물론 타겟은 촛불의 색이 아닙니다)))
더 구조적으로 쓰여진 것을 어떻게든 바꿀 수 있습니다. 그렇지 않으면 매우 흥미롭지만 너무 지저분해서 전혀 명확하지 않은 것처럼 쓰여집니다.
How can one use nested cross validation for model selection? From what I read online, nested CV works as follows: There is the inner CV loop, where we may conduct a grid search (e.g. running K-fold for every available model, e.g. combination of hyperparameters/features) There is the outer CV loop, where we measure the performance of the model...
아마추어를위한 슬라이딩 컨트롤))))이 경우에만 모델이 적합하다는 사실은 망상입니다.
그러나 이것은 모두 말도 안되는 소리이며 모든 사람은 다른 단계에서 자신의 괴상한 요구 사항이 있습니다. 추가할 수 있습니다.
나는 %와 약의 출력을 의미했습니다. 테스트 1의 경우(테스트 = OOS - 새 데이터에 공식 적용)
더하기 창 응용 프로그램, 빠른 사용성. 일반 껍데기 제작이 가능하며,
Reshetov는 경험 많은 코더이므로 올바른 방법으로 수행해야 합니다. 그게 다야. 물론 모든 IMHO.
표본에서 좋은 모형을 선택하면 표본에서 좋은 결과가 나온다는 것은 모형이 선택한 문제에 적합하다는 것을 의미합니다.
나는 영재를 위해 다시 한 번 반복 합니다. 모델이 선택을 통과했다고 해서 특히 고정되지 않은 환경에서 선택한 작업 y에 잠재적으로 적합하다는 의미는 전혀 아닙니다 . 그녀가 어떻게 든 선발 과정을 통과했다는 것을 의미합니다.
신청자가 대학 입학 시험을 통해 선택을 통과했다면 이것이 졸업장을 방어한다는 의미는 아니며 더욱이 선택한 전문 분야에서 계속 일할 것이라는 의미는 아닙니다.
선택은 부적합 가능성을 감소시킬 뿐이지 항상 0이 되는 것은 아닙니다. 그리고 우리는 선택의 결과도 거짓 긍정과 거짓 부정이 될 수 있다는 것을 잊어서는 안됩니다. 저것들. 선택 과정에서 "아이가 글꼴에서 물과 함께 버려졌을" 확률은 0이 아닙니다.
나는 영재를 위해 다시 한 번 반복 합니다. 모델이 선택을 통과했다고 해서 특히 고정되지 않은 환경에서 선택한 작업 y에 잠재적으로 적합하다는 의미는 전혀 아닙니다 . 그녀가 어떻게 든 선발 과정을 통과했다는 것을 의미합니다.
신청자가 대학 입학 시험을 통해 선택을 통과했다면 이것이 졸업장을 방어한다는 의미는 아니며 더욱이 선택한 전문 분야에서 계속 일할 것이라는 의미는 아닙니다.
선택은 부적합 가능성을 감소시킬 뿐이지 항상 0이 되는 것은 아닙니다. 그리고 우리는 선택의 결과도 거짓 긍정과 거짓 부정이 될 수 있다는 것을 잊어서는 안됩니다. 저것들. 선택 과정에서 "아이가 글꼴에서 물과 함께 버려졌을" 확률은 0이 아닙니다.
모르시는 분들을 위해 다시 한번 설명드리겠습니다.
모든 결과는 확실히 확률적입니다!
훈련에 대한 모델의 결과가 있고 교차 검증 또는 테스트에 대한 결과가 있습니다( 모델 매개변수를 선택 하고 훈련을 조기에 중지하기 위해). 샘플 외 모델 결과인 최종 점수도 있습니다.
테스트 결과가 out-of-sample 결과와 잘 상관된다면 종속성 모델링의 품질은 out-of-sample 기간에 대해 관성을 갖습니다. 이 경우 테스트("샘플"이 아님) 모델에서 최선을 다할 수 있습니다. 미래에는 알려진 매개변수를 사용하여 모든 새 데이터에 대해 모델을 재학습하고 미래 결과와의 연결이 거의 설정되기 때문에 최상의 데이터를 선택할 수 있습니다.
테스트 점수가 샘플 외 점수와 잘 상관되지 않으면 최상의 훈련 모델을 선택하는 것이 의미가 없습니다. 최상의 모델을 "샘플에서 제외"하는 것이 적합합니다. 모델 자체를 구성하는 방법을 거부하거나 매개 변수 범위를 크게 변경하는 한 가지 방법이 있습니다.
"예를 들어, 일주일 동안 지사를 만들도록 제안할 수 있습니다. 사람들은 일주일 동안 발언할 것입니다.
내 게시물에 위의 인용문을 삽입한 거시기는 모르지만 내 게시물이 아닙니다.
중재자가 내 게시물을 좋아하지 않는다면 그것은 그들의 권리입니다. 내 메시지에 다른 사람의 텍스트를 삽입하지 말고 좀 더 교양 있게 행동하십시오. 구체적으로 무엇을 좋아하지 않았는지, 그리고 자신을 대신하여 표시하십시오. 그리고 나는 중재자를 귀찮게하지 않기 위해이 사이트를 내 자신을 위해 남겨 둡니다. 프로필의 링크.
모두 안녕!
.
"예를 들어, 일주일 동안 지사를 만들도록 제안할 수 있습니다. 사람들은 일주일 동안 발언할 것입니다.
내 게시물에 위의 인용문을 삽입한 거시기는 모르지만 내 게시물이 아닙니다.
중재자가 내 게시물을 좋아하지 않는다면 그것은 그들의 권리입니다. 내 메시지에 다른 사람의 텍스트를 삽입하지 말고 좀 더 교양 있게 행동하십시오. 구체적으로 무엇을 좋아하지 않았는지, 그리고 자신을 대신하여 표시하십시오. 그리고 나는 중재자를 귀찮게하지 않기 위해이 사이트를 내 자신을 위해 남겨 둡니다. 프로필의 링크.
모두들 안녕!
.
"예를 들어, 일주일 동안 지사를 만들도록 제안할 수 있습니다. 사람들은 일주일 동안 발언할 것입니다.
내 게시물에 위의 인용문을 삽입한 거시기는 모르지만 내 게시물이 아닙니다.
중재자가 내 게시물을 좋아하지 않는다면 그것은 그들의 권리입니다. 내 메시지에 다른 사람의 텍스트를 삽입하지 말고 좀 더 교양 있게 행동하십시오. 구체적으로 무엇을 좋아하지 않았는지, 그리고 자신을 대신하여 표시하십시오. 그리고 나는 중재자를 귀찮게하지 않기 위해이 사이트를 내 자신을 위해 남겨 둡니다. 프로필의 링크.
모두 안녕!
그리고 나중에 관심을 가질 것입니다. 비록 내가 쓰레기라고 생각하지만))))
예, + R은 가능한 모든 것이 이미 구현되었다는 것입니다. 저는 ML을 오랫동안 사용하지 않았지만 재교육이 없는 모델만 사용했습니다. ML로 마지막으로 한 작업 중 하나는
이벤트가 항상 목표에 도달하도록 모델을 채웁니다. 당신은 결합, 일반적으로 93-96 %로 나타났습니다. 나머지는 이미 훈련 중입니다. 다시 말해 -
아이가 이미 조금 걷는 법을 배웠다면 매일 같은 것을 반복할 필요가 없습니다. 웅덩이를 뛰어 넘을 때를 알려주십시오(재훈련).
(타겟에서의 예측 부족) 조금 떨어졌습니다, 물론 타겟은 촛불의 색이 아닙니다)))
물론 약간 떨어지는 대상은 촛불의 색이 아닙니다)))
2 훈련된 모델의 편향되지 않은 선택 주제에 대해 읽어보세요.
http://stats.stackexchange.com/questions/65128/nested-cross-validation-for-model-selection
/go?link=https://stats.stackexchange.com/questions/178174/when-is-nested-cross-validation-really-needed-and-can-make-a-practical-differentc