여기서 전처리가 가장 중요할 것입니다. 시스템에 공급됩니다. IMHA, 이것은 적응 시스템의 초석입니다. 이러한 가치 자체는 시장의 안정적인 단계를 특성화해야 합니다. 그리고 이러한 입력을 기반으로 합성을 생성해야 합니다. 대략적으로 말하면 생성해야 하고 분포가 변경되어야 합니다(적응 시스템의 입력 매개변수 값 변경).
이런, PBX의 입력에 공급되는 것에 대해 생각할 필요가 없습니다. 먼저 입력 데이터의 소스(모두 동일한 OHLC이지만 합성)가 있어야 합니다.
오, 많다! 적응성 문제에 접근하는 가장 좋은 방법은 무엇입니까? 이는 일반 표본의 stat 매개변수를 기반으로 통계적으로 유사한 계열을 구축하기 위한 것입니다. 그 다음에. 당신은 일반적인 것과 비슷한 특성을 가진 가격 모델을 얻을 것입니다. 그러나 그 움직임은 새로운 것이고, 게다가 당신이 좋아하는만큼 많은 데이터가 있습니다. 그리고 무브먼트의 참신함은 일반적인 샘플의 속성에 해당합니다. 그리드 또는 적응형 EA는 적응할 수 없습니다. 데이터는 끊임없이 변화하고 있습니다. 그러나 이 데이터에는 뉴런이나 적응형 조언자가 목표로 삼을 통계 법칙이 포함되어 있습니다. 그리고 일반화되는 것은 통계 법칙입니다(일반화하려면 뉴런에 대해서도 생각해야 합니다). 첫 번째 부분의 모든 끝. :)
IlyaA>> : 오, 많다! 적응성 문제에 접근하는 가장 좋은 방법은 무엇입니까? 이는 일반 표본의 stat 매개변수를 기반으로 통계적으로 유사한 계열을 구축하기 위한 것입니다. 그 다음에. 당신은 일반적인 것과 비슷한 특성을 가진 가격 모델을 얻을 것입니다. 그러나 그 움직임은 새로운 것이고, 게다가 당신이 좋아하는만큼 많은 데이터가 있습니다. 그리고 무브먼트의 참신함은 일반적인 샘플의 속성에 해당합니다. 그리드 또는 적응형 EA는 적응할 수 없습니다. 데이터는 끊임없이 변화하고 있습니다. 그러나 이 데이터에는 뉴런이나 적응형 조언자가 목표로 삼을 통계 법칙이 포함되어 있습니다. 그리고 일반화되는 것은 통계 법칙입니다(일반화하려면 뉴런에 대해서도 생각해야 합니다). 첫 번째 부분의 모든 끝. :)
문제는 교육이 아니었다. 문제는 주어진 통계로 합성 VR을 만드는 것에 관한 것이었습니다. 매개변수.
여기서 전처리가 가장 중요할 것입니다. 시스템에 공급됩니다. IMHA, 이것은 적응 시스템의 초석입니다. 이러한 가치 자체는 시장의 안정적인 단계를 특성화해야 합니다. 그리고 이러한 입력을 기반으로 합성을 생성해야 합니다. 대략적으로 말하면 생성해야 하고 분포가 변경되어야 합니다(적응 시스템의 입력 매개변수 값 변경).
이런, PBX의 입력에 공급되는 것에 대해 생각할 필요가 없습니다. 먼저 입력 데이터의 소스(모두 동일한 OHLC이지만 합성)가 있어야 합니다.
결국 통계를 이해하는 사람들에게 질문을 던졌기 때문이다. 나는 그 주제에 대해 충분히 모른다.
작업 코드에서 구현하면 코드베이스에 게시합니다. 누가 무슨 상관이야, 포유자트.
ZY 이리야가 제안한 주제에 대해 할 말이 있다면 기꺼이 듣겠습니다.
오, 많다! 적응성 문제에 접근하는 가장 좋은 방법은 무엇입니까? 이는 일반 표본의 stat 매개변수를 기반으로 통계적으로 유사한 계열을 구축하기 위한 것입니다. 그 다음에. 당신은 일반적인 것과 비슷한 특성을 가진 가격 모델을 얻을 것입니다. 그러나 그 움직임은 새로운 것이고, 게다가 당신이 좋아하는만큼 많은 데이터가 있습니다. 그리고 무브먼트의 참신함은 일반적인 샘플의 속성에 해당합니다. 그리드 또는 적응형 EA는 적응할 수 없습니다. 데이터는 끊임없이 변화하고 있습니다. 그러나 이 데이터에는 뉴런이나 적응형 조언자가 목표로 삼을 통계 법칙이 포함되어 있습니다. 그리고 일반화되는 것은 통계 법칙입니다(일반화하려면 뉴런에 대해서도 생각해야 합니다). 첫 번째 부분의 모든 끝. :)
문제는 교육이 아니었다. 문제는 주어진 통계로 합성 VR을 만드는 것에 관한 것이었습니다. 매개변수.
문제는 교육에 관한 것이 아니었다. 문제는 주어진 통계로 합성 VR을 만드는 것에 관한 것이었습니다. 매개변수.
알고리즘은 다음과 같습니다.
1. 일반 인구의 매개변수 그룹을 결정합니다. 보통 5~10개 정도. 사회 학자는 100-150입니다.
2. 각 기능 또는 기능 조합에 대한 확률 밀도를 구축합니다.
3. 지정된 분포로 데이터 모델링을 시작합니다. Union이 모든 매개변수를 준수하는지 확인하고 생성 알고리즘을 조정합니다.
4. 데이터는 고문을 교육하는 데 사용됩니다.
알고리즘은 다음과 같습니다.
1. 일반 인구의 매개변수 그룹을 결정합니다. 보통 5~10개 정도. 사회 학자는 100-150입니다.
2. 각 기능 또는 기능 조합에 대한 확률 밀도를 구축합니다.
3. 지정된 분포로 데이터 모델링을 시작합니다. Union이 모든 매개변수를 준수하는지 확인하고 생성 알고리즘을 조정합니다.
4. 데이터는 고문을 교육하는 데 사용됩니다.
괜찮은! 그리고 이제 4를 제외한 1,2,3에 대해 자세히 설명해주세요.
어떤 수신기? 비밀이 아니라면....)))
그리고 안정성을 위해 차량을 연구하기 위해 (실제 신호 + 인공 노이즈)를 사용할 것입니다.
그리고 나는 순수한 인공 발전기에서 실용적인 의미를 보지 못합니다. 예, 전문가가 모델링한 필요 조건에서 TS 알고리즘을 디버깅하는 아이디어를 이해했지만 이것이 적절할지 확신할 수 없습니다. 그러면 실제 견적에서 원하는 사이트를 항상 하나 이상 찾을 수 있습니다.
어떤 수신기? 비밀이 아니라면....)))
사실 모든 것이 간단합니다. 물론 방법의 이름을 말하겠지만 여러분도 알고 계실 거라 확신합니다.
1. 조기 정차
2. 교차 검증
3. 체중 감소
4. 스케일 제거
5. 평활화 근사.
사실 모든 것이 간단합니다. 물론 방법의 이름을 말하겠지만 여러분도 알고 계실 거라 확신합니다.
1. 조기 정차
2. 교차 검증
3. 체중 감소
4. 스케일 제거
5. 평활화 근사.
네. 그냥 새로울 줄 알았는데...