-Aleks- : 여기에서 데이터가 유사하도록 섹션에 대해 생각해야 합니다. 제 생각에는 n개의 막대가 아닌 패턴을 취해야 합니다.
절대적으로 동의합니다. 분석을 위해 얼마나 많은 막대를 사용할 것인지는 논의된 회귀뿐만 아니라 아킬레스건입니다. 회귀가 아니라 Bayes 공식을 사용하여 확률을 계산하고 싶지만. 지금은 어리석게도 n개 막대의 현재 창을 사용하겠습니다. 그리고 테스트 및 테스트 단계에서 우도 함수와 선험적 확률에 대해 변동성 폭발에서 변동성 폭발까지의 기간을 사용합니다. 일반적으로 이것은 중요한 뉴스 사이의 간격입니다.
Alexey Burnakov : 나는 최근에 동료들과 선형 회귀 의 역사와 발전에 대해 논의했습니다. 간단히 말해서, 처음에는 데이터와 예측 변수가 거의 없었습니다. 일반 선형 회귀는 일부 가정에 대처했습니다. 또한 정보 기술의 발달로 데이터의 양이 증가하고 예측 변수의 수는 쉽게 수만 개를 초과할 수 있습니다. 이러한 조건에서 일반적인 선형 회귀는 도움이 되지 않습니다. 따라서 정규화 된 버전, 배포 요구 사항에 대한 강력한 버전 등이 나타났습니다.
이것은 부분적으로 맞습니다. L2 정규화는 모델의 예측 변수 수를 줄이는 데 도움이 되지 않습니다. 처음에 신경 컴퓨팅은 Hebb의 학습 규칙을 사용하여 신경망 가중치의 무한한 성장으로 이어졌습니다. 그런 다음, 뇌가 신경 연결의 무게를 늘리고 유지하는 데 필요한 자원이 제한되어 있음을 깨닫고 60-80년대에 L2 정규화를 추가했습니다. 이를 통해 가중치를 제한할 수 있었지만 무시할 수 있는 가중치가 많이 남아 있었습니다. 뇌에서는 그렇지 않습니다. 뇌에서 신경 세포는 무시할 수 있는 무게로 다른 모든 신경 세포에 연결되어 있지 않습니다. 제한된 수의 연결만 있습니다. 그러다가 2000년대에 L1과 L0 정규화가 도입되어 희소 연결이 가능해졌습니다. 수많은 과학자들이 이미지 코딩에서 뇌 과정을 아주 잘 설명하는 신경 모델에 이르기까지 모든 것에 L1 정규화와 함께 선형 프로그래밍을 사용하기 시작했습니다. 경제학자들은 "오만함"(모든 것이 이미 우리보다 먼저 발명됨) 또는 단순히 수학에 대한 이해 부족으로 인해 나머지 과학보다 뒤쳐져 있습니다.
Vladimir : 이것은 부분적으로 맞습니다. L2 정규화는 모델의 예측 변수 수를 줄이는 데 도움이 되지 않습니다. 처음에 신경 컴퓨팅은 Hebb의 학습 규칙을 사용하여 신경망 가중치의 무한한 성장으로 이어졌습니다. 그런 다음, 뇌가 신경 연결의 무게를 늘리고 유지하는 데 필요한 자원이 제한되어 있음을 깨닫고 60-80년대에 L2 정규화를 추가했습니다. 이를 통해 가중치를 제한할 수 있었지만 무시할 수 있는 가중치가 많이 남아 있었습니다. 뇌에서는 그렇지 않습니다. 뇌에서 신경 세포는 무시할 수 있는 무게로 다른 모든 신경 세포에 연결되어 있지 않습니다. 제한된 수의 연결만 있습니다. 그러다가 2000년대에 L1과 L0 정규화가 도입되어 희소 연결이 가능해졌습니다. 수많은 과학자들이 이미지 코딩에서 뇌 과정을 아주 잘 설명하는 신경 모델에 이르기까지 모든 것에 L1 정규화와 함께 선형 프로그래밍을 사용하기 시작했습니다. 경제학자들은 "오만함"(모든 것이 이미 우리보다 먼저 발명됨) 또는 단순히 수학에 대한 이해 부족으로 인해 나머지 과학보다 뒤쳐져 있습니다.
나는 L2가 무게를 제한한다는 것을 혼동할 수 있습니다. 그리고 이것은 능선(Tikhonov) 회귀입니다. https://www.quora.com/What-is-the-difference-between-L1-and-L2-regularization
그러나 때로는 L1이 제곱이 아닌 절대 오류에 대한 페널티를 추가하기 때문에 더 선호됩니다. 오차의 제곱은 꼬리가 너무 길 수 있습니다. 즉, 꼬리가 두꺼운 인용의 경우 잔차 제곱을 추가하면 모델의 품질에 부정적인 영향을 미칠 수 있습니다. 그게 다야, 잡담.
Vladimir : 경제학자들은 "오만함"(모든 것이 이미 우리보다 먼저 발명됨) 또는 단순히 수학에 대한 이해 부족으로 인해 나머지 과학보다 뒤쳐져 있습니다.
네. 나는 이전에 주식 중개인에서 일했던 관리자(swd의 책임자)와 개인적으로 이야기를 나눴습니다. 그는 가격 인상이 정상적인 것으로 간주되며 그게 다라고 말했습니다. 지난 세기의 방법과 망상이 사용되고 있습니다. 나는 그에게 정상이 없다고 말했다. 어떤 테스트도 통과하지 못했습니다. 그는 대화 내용이 무엇인지조차 모릅니다. 그러나 그는 하드코어 수학자가 아니라 개발 관리자입니다.
Alexey Burnakov : 네. 나는 이전에 주식 중개인에서 일했던 관리자(swd의 책임자)와 개인적으로 이야기를 나눴습니다. 그는 가격 인상이 정상적인 것으로 간주되며 그게 다라고 말했습니다. 지난 세기의 방법과 망상이 사용되고 있습니다. 나는 그에게 정상이 없다고 말했다. 어떤 테스트도 통과하지 못했습니다. 그는 대화 내용이 무엇인지조차 모릅니다. 그러나 그는 하드코어 수학자가 아니라 개발 관리자입니다.
그렇다면 정규성이 없으면 어떻게 될까요? 일부 개발 책임자조차도 이에 대해 씁니다. Vladimir는 여기에 대해 썼습니다. 회귀의 원리나 의미를 전혀 이해하지 못하는 경우 회귀를 어떻게 사용합니까? 이 정상/비정상과 함께 어두운 밤에 좀비처럼 돌아다니십시오. 네, 비록 이 분포가 정육면체, 심지어 세포, 심지어 지그재그일지라도, 레핀 그림의 형태일지라도 말입니다. 회귀 예측 능력은 이것에 의존하지 않습니다.
Dmitry Fedoseev : 그렇다면 정규성이 없으면 어떻게 될까요? 일부 개발 책임자조차도 이에 대해 씁니다. Vladimir는 여기에 대해 썼습니다. 회귀의 원리나 의미를 전혀 이해하지 못하는 경우 회귀를 어떻게 사용합니까? 이 정상/비정상과 함께 어두운 밤에 좀비처럼 돌아다니십시오. 네, 비록 이 분포가 정육면체, 심지어 세포, 심지어 지그재그일지라도, 레핀 그림의 형태일지라도 말입니다. 회귀 예측 능력은 이것에 의존하지 않습니다.
Yuri Evseenkov : 절대적으로 동의합니다. 분석을 위해 얼마나 많은 막대를 사용할 것인지는 논의된 회귀뿐만 아니라 아킬레스건입니다. 회귀가 아니라 Bayes 공식을 사용하여 확률을 계산하고 싶지만. 지금은 어리석게도 n개 막대의 현재 창을 사용하겠습니다. 그리고 테스트 및 테스트 단계에서 우도 함수와 선험적 확률에 대해 변동성 폭발에서 변동성 폭발까지의 기간을 사용합니다. 일반적으로 이것은 중요한 뉴스 사이의 간격입니다.
그리고 확률은 가장 가까운 막대에 대한 예측 또는 가장 가까운 막대의 이동 벡터를 무엇으로 나타낼까요?
Vasiliy Sokolov : 일반적으로 회귀를 구축할 목적을 먼저 결정해야 합니다. 선택한 시장 세그먼트를 가능한 한 정확하게 설명하는 곡선을 선택하거나 미래 가격 위치를 예측하는 곡선을 선택해야 합니다. 일반적으로 근사의 품질이 예측의 정확성을 어떻게 결정할 수 있습니까?
그리고 어떻게 과거를 가능한 한 정확하게 설명하고 미래를 가능한 한 정확하게 예측하는 곡선을 만들 수 있습니까?
여기에서 데이터가 유사하도록 섹션에 대해 생각해야 합니다. 제 생각에는 n개의 막대가 아닌 패턴을 취해야 합니다.
나는 최근에 동료들과 선형 회귀 의 역사와 발전에 대해 논의했습니다. 간단히 말해서, 처음에는 데이터와 예측 변수가 거의 없었습니다. 일반 선형 회귀는 일부 가정에 대처했습니다. 또한 정보 기술의 발달로 데이터의 양이 증가하고 예측 변수의 수는 쉽게 수만 개를 초과할 수 있습니다. 이러한 조건에서 일반적인 선형 회귀는 도움이 되지 않습니다. 따라서 정규화 된 버전, 배포 요구 사항에 대한 강력한 버전 등이 나타났습니다.
이것은 부분적으로 맞습니다. L2 정규화는 모델의 예측 변수 수를 줄이는 데 도움이 되지 않습니다. 처음에 신경 컴퓨팅은 Hebb의 학습 규칙을 사용하여 신경망 가중치의 무한한 성장으로 이어졌습니다. 그런 다음, 뇌가 신경 연결의 무게를 늘리고 유지하는 데 필요한 자원이 제한되어 있음을 깨닫고 60-80년대에 L2 정규화를 추가했습니다. 이를 통해 가중치를 제한할 수 있었지만 무시할 수 있는 가중치가 많이 남아 있었습니다. 뇌에서는 그렇지 않습니다. 뇌에서 신경 세포는 무시할 수 있는 무게로 다른 모든 신경 세포에 연결되어 있지 않습니다. 제한된 수의 연결만 있습니다. 그러다가 2000년대에 L1과 L0 정규화가 도입되어 희소 연결이 가능해졌습니다. 수많은 과학자들이 이미지 코딩에서 뇌 과정을 아주 잘 설명하는 신경 모델에 이르기까지 모든 것에 L1 정규화와 함께 선형 프로그래밍을 사용하기 시작했습니다. 경제학자들은 "오만함"(모든 것이 이미 우리보다 먼저 발명됨) 또는 단순히 수학에 대한 이해 부족으로 인해 나머지 과학보다 뒤쳐져 있습니다.
경제학자들은 "오만함"(모든 것이 이미 우리보다 먼저 발명됨) 또는 단순히 수학에 대한 이해 부족으로 인해 나머지 과학보다 뒤쳐져 있습니다.
네. 나는 이전에 주식 중개인에서 일했던 관리자(swd의 책임자)와 개인적으로 이야기를 나눴습니다. 그는 가격 인상이 정상적인 것으로 간주되며 그게 다라고 말했습니다. 지난 세기의 방법과 망상이 사용되고 있습니다. 나는 그에게 정상이 없다고 말했다. 어떤 테스트도 통과하지 못했습니다. 그는 대화 내용이 무엇인지조차 모릅니다. 그러나 그는 하드코어 수학자가 아니라 개발 관리자입니다.
그렇다면 정규성이 없으면 어떻게 될까요? 일부 개발 책임자조차도 이에 대해 씁니다. Vladimir는 여기에 대해 썼습니다. 회귀의 원리나 의미를 전혀 이해하지 못하는 경우 회귀를 어떻게 사용합니까? 이 정상/비정상과 함께 어두운 밤에 좀비처럼 돌아다니십시오. 네, 비록 이 분포가 정육면체, 심지어 세포, 심지어 지그재그일지라도, 레핀 그림의 형태일지라도 말입니다. 회귀 예측 능력은 이것에 의존하지 않습니다.
절대적으로 동의합니다. 분석을 위해 얼마나 많은 막대를 사용할 것인지는 논의된 회귀뿐만 아니라 아킬레스건입니다. 회귀가 아니라 Bayes 공식을 사용하여 확률을 계산하고 싶지만. 지금은 어리석게도 n개 막대의 현재 창을 사용하겠습니다. 그리고 테스트 및 테스트 단계에서 우도 함수와 선험적 확률에 대해 변동성 폭발에서 변동성 폭발까지의 기간을 사용합니다. 일반적으로 이것은 중요한 뉴스 사이의 간격입니다.
그리고 확률은 가장 가까운 막대에 대한 예측 또는 가장 가까운 막대의 이동 벡터를 무엇으로 나타낼까요?
일반적으로 회귀를 구축할 목적을 먼저 결정해야 합니다. 선택한 시장 세그먼트를 가능한 한 정확하게 설명하는 곡선을 선택하거나 미래 가격 위치를 예측하는 곡선을 선택해야 합니다. 일반적으로 근사의 품질이 예측의 정확성을 어떻게 결정할 수 있습니까?
그리고 어떻게 과거를 가능한 한 정확하게 설명하고 미래를 가능한 한 정확하게 예측하는 곡선을 만들 수 있습니까?
아니면 과거를 분석하지 않고 미래를 예측하는 방법은 무엇입니까?
근사는 과거의 분석이다