읽은 자료로 판단하면 Hartley 변환이 정말 마음에 듭니다. 이유가 궁금합니다. 귀하의 이러한 선호에 대해 언급할 수는 없지만 매우 어렵다고 생각합니다. 시리즈를 추세/계절로 분해 하고 각각에 대해 개별적으로 예측하고 합계를 차트에 반환하는 것이 더 쉬운 것 같습니다.
임호.
나는 이미 위에서 신경망 또는 신경망의 앙상블이 예측, 특히 비정상 계열에 대한 최상의 모델이 아니라고 썼습니다.
오늘날에는 더 효율적인 모델이 있습니다.
계열의 미래 값 예측(회귀)은 유혹적이지만 감사할 수 없는 작업입니다. 나는 가시적인 결과 없이 이것에 많은 시간을 보냈다.
vlad1949 : 아니요. 앙상블은 DT, mlp 및 svm보다 좋습니다. RF 및 ada 수치는 추가로 제공되며 더 좋습니다.
명확성을 위해 더 간단한 것을 취하는 것이 더 나을 것입니다 ... 고전적인 피셔 아이리스와 시스 트위스트를 가정 해 봅시다 ... + 대략적인 계산 시간 ... (setosa = 1, virginica = 0, versicolor = -1(다른 값을 할당할 수 있음)) Color=entrance…black=uch(홍채의 종류)첫 화면에…more… 모든 스크린샷에서 blue=account...pink=모델 출력...
여기 흥미로운 ... 바운스는 0에서 볼 수 있습니다(이 예에서는 간단한 작업(필터)으로 제거할 수 있습니다. 앞으로 더 무거운 ns를 사용하지 않도록) 아마도 비슷한 일이 당신에게 일어날 것입니다 ... 따라서 오류의 최악의 계산이 발생합니다 ... 그것은 ns를위한 것입니다 .. 정말, R의 Acc 표시기는 무엇이며 어떻게 계산되는지, 나는 모르고 틀릴 수 있습니다 ...
더 무거운 ns... 3x- skrrl(8-4-2)=30초 이상 더 잘랐다... 음 등등...
=========================
총...
1. 다른 알고리즘을 사용하여 분류 문제를 동등하게 성공적으로 해결하는 것이 가능합니다. 2. 문제 해결 시간은 적용된 알고리즘에 따라 다릅니다.
3. "이마"의 데이터를 분류하려면 이를 위해 특별히 개발된 알고리즘을 사용하는 것이 좋습니다 ...
명확성을 위해 더 간단한 것을 취하는 것이 더 나을 것입니다 ... 고전적인 피셔 아이리스와 시스 트위스트를 가정 해 봅시다 ... + 대략적인 계산 시간 ... (setosa = 1, virginica = 0, versicolor = -1(다른 값을 할당할 수 있음)) Color=entrance…black=uch(홍채의 종류) 첫 화면에…more… 모든 스크린샷에서 blue=account...pink=모델 출력...
50%그래프=일반 샘플...50%=테스트 중...
잘. 홍채가 분류되나요?? 우리 주제에 대한 특정 데이터를 가지고 예를 들어보십시오.
홍채에 운동이 필요한 이유는 무엇입니까? 다른 사람들이 새끼 고양이를 훈련하게 하십시오.
방법의 장점에 대해 논쟁하는 것은 감사할 일입니다. 모든 사람은 자신의 취향이 있습니다. 개인적으로 방법을 선택할 때 나는 간단한 전제에서 출발합니다. 방법은 사전 변환 없이 다양한 입력 데이터(숫자 및 명목 모두)와 함께 작동해야 합니다. 이유를 설명하겠습니다. 많은 수의 입력 데이터 전처리 방법이 있습니다(20개 이상 알고 있음). 그리고 이것에 따라 우리는 다른 결과를 얻습니다. 저것들. 최적의 입력 데이터 세트, 이러한 데이터를 준비하는 최적의 방법 및 몇 가지 기준에 따라 최상의 결과를 제공하는 최적의 방법을 선택하는 것이 필요합니다. 그리고 우리가 첫 번째와 마지막에서 벗어날 수 없다면 적어도 두 번째는 제거해야 합니다.
기준에 대한 질문과 관련하여 정확도는 동일한 클래스의 총 케이스 수에 대한 특정 클래스의 올바르게 분류된 케이스의 비율입니다.
개인적으로 방법을 선택할 때 나는 간단한 전제에서 출발합니다. 방법은 예비 변환 없이 다양한 입력 데이터(숫자 및 명목 모두)와 함께 작동해야 합니다 . 이유를 설명하겠습니다. 많은 수의 입력 데이터 전처리 방법이 있습니다(20개 이상 알고 있음). 그리고 이것에 따라 우리는 다른 결과를 얻습니다. 저것들. 최적의 입력 데이터 세트, 이러한 데이터를 준비하는 최적의 방법 및 몇 가지 기준에 따라 최상의 결과를 제공하는 최적의 방법을 선택하는 것이 필요합니다. 그리고 우리가 첫 번째와 마지막에서 벗어날 수 없다면 적어도 두 번째는 제거해야 합니다.
당신은 끔찍한 사람입니다 이 접근 방식의 경우 예 ... 임의의 포리스트 가 맞습니다 ... 행운을 빕니다...
읽은 자료로 판단하면 Hartley 변환이 정말 마음에 듭니다. 이유가 궁금합니다. 귀하의 이러한 선호에 대해 언급할 수는 없지만 매우 어렵다고 생각합니다. 시리즈를 추세/계절로 분해 하고 각각에 대해 개별적으로 예측하고 합계를 차트에 반환하는 것이 더 쉬운 것 같습니다.
임호.
나는 이미 위에서 신경망 또는 신경망의 앙상블이 예측, 특히 비정상 계열에 대한 최상의 모델이 아니라고 썼습니다.
오늘날에는 더 효율적인 모델이 있습니다.
계열의 미래 값 예측(회귀)은 유혹적이지만 감사할 수 없는 작업입니다. 나는 가시적인 결과 없이 이것에 많은 시간을 보냈다.
이제 분류만 하면 결과가 우수합니다.
행운을 빕니다.
읽은 자료로 판단하면 Hartley 변환이 정말 마음에 듭니다. 이유가 궁금합니다.
이제 분류만 하면 결과가 우수합니다.
Hartley는 특별히 선호하는 부분이 없고, 가상의 구성요소 없이 사용하기 편하다고 선택했습니다.
분류는 권력이다. 훈련 기지를 여러 부분으로 나누는 데 분류를 적용한다고 생각합니다. 클래스에 대한 각 부분.
실험에서 신경망의 앙상블을 사용하는 것은 예측의 정확도를 높이고자 하는 열망 때문이었고, 앞으로 분류된 훈련 기반에서 훈련을 위해 앙상블을 사용할 생각입니다.
관심을 가져 주셔서 감사합니다.
스레드에서 답변했습니다.
" 배설물 에 신경망 앙상블 사용...." 오판???
행운을 빕니다
아니요. 앙상블은 DT, mlp 및 svm보다 좋습니다. RF 및 ada 수치는 추가로 제공되며 더 좋습니다.
명확성을 위해 더 간단한 것을 취하는 것이 더 나을 것입니다 ...
고전적인 피셔 아이리스와 시스 트위스트를 가정 해 봅시다 ... + 대략적인 계산 시간 ...
(setosa = 1, virginica = 0, versicolor = -1(다른 값을 할당할 수 있음))
Color=entrance…black=uch(홍채의 종류)첫 화면에…more…
모든 스크린샷에서 blue=account...pink=모델 출력...
50%그래프=일반 샘플...50%=테스트 중...
15x15=2-3초
20x20=3-4초
Mbs(방법 bl 이웃) = 1초 이하
3x-skrrl(4-2-1)=20초 이상
여기 흥미로운 ...
바운스는 0에서 볼 수 있습니다(이 예에서는 간단한 작업(필터)으로 제거할 수 있습니다.
앞으로 더 무거운 ns를 사용하지 않도록)
아마도 비슷한 일이 당신에게 일어날 것입니다 ... 따라서 오류의 최악의 계산이 발생합니다 ...
그것은 ns를위한 것입니다 .. 정말, R의 Acc 표시기는 무엇이며 어떻게 계산되는지, 나는 모르고 틀릴 수 있습니다 ...
더 무거운 ns...
3x- skrrl(8-4-2)=30초 이상
더 잘랐다...
음 등등...
=========================
총...
1. 다른 알고리즘을 사용하여 분류 문제를 동등하게 성공적으로 해결하는 것이 가능합니다.2. 문제 해결 시간은 적용된 알고리즘에 따라 다릅니다.
3. "이마"의 데이터를 분류하려면 이를 위해 특별히 개발된 알고리즘을 사용하는 것이 좋습니다 ...
명확성을 위해 더 간단한 것을 취하는 것이 더 나을 것입니다 ...
고전적인 피셔 아이리스와 시스 트위스트를 가정 해 봅시다 ... + 대략적인 계산 시간 ...
(setosa = 1, virginica = 0, versicolor = -1(다른 값을 할당할 수 있음))
Color=entrance…black=uch(홍채의 종류) 첫 화면에…more…
모든 스크린샷에서 blue=account...pink=모델 출력...
50%그래프=일반 샘플...50%=테스트 중...
잘. 홍채가 분류되나요?? 우리 주제에 대한 특정 데이터를 가지고 예를 들어보십시오.
홍채에 운동이 필요한 이유는 무엇입니까? 다른 사람들이 새끼 고양이를 훈련하게 하십시오.
방법의 장점에 대해 논쟁하는 것은 감사할 일입니다. 모든 사람은 자신의 취향이 있습니다. 개인적으로 방법을 선택할 때 나는 간단한 전제에서 출발합니다. 방법은 사전 변환 없이 다양한 입력 데이터(숫자 및 명목 모두)와 함께 작동해야 합니다. 이유를 설명하겠습니다. 많은 수의 입력 데이터 전처리 방법이 있습니다(20개 이상 알고 있음). 그리고 이것에 따라 우리는 다른 결과를 얻습니다. 저것들. 최적의 입력 데이터 세트, 이러한 데이터를 준비하는 최적의 방법 및 몇 가지 기준에 따라 최상의 결과를 제공하는 최적의 방법을 선택하는 것이 필요합니다. 그리고 우리가 첫 번째와 마지막에서 벗어날 수 없다면 적어도 두 번째는 제거해야 합니다.
기준에 대한 질문과 관련하여 정확도는 동일한 클래스의 총 케이스 수에 대한 특정 클래스의 올바르게 분류된 케이스의 비율입니다.
행운을 빕니다
개인적으로 방법을 선택할 때 나는 간단한 전제에서 출발합니다. 방법은 예비 변환 없이 다양한 입력 데이터(숫자 및 명목 모두)와 함께 작동해야 합니다 . 이유를 설명하겠습니다. 많은 수의 입력 데이터 전처리 방법이 있습니다(20개 이상 알고 있음). 그리고 이것에 따라 우리는 다른 결과를 얻습니다. 저것들. 최적의 입력 데이터 세트, 이러한 데이터를 준비하는 최적의 방법 및 몇 가지 기준에 따라 최상의 결과를 제공하는 최적의 방법을 선택하는 것이 필요합니다. 그리고 우리가 첫 번째와 마지막에서 벗어날 수 없다면 적어도 두 번째는 제거해야 합니다.
이 접근 방식의 경우 예 ... 임의의 포리스트 가 맞습니다 ...
행운을 빕니다...
당신은 끔찍한 사람입니다
이 접근 방식의 경우 예 ... 임의의 포리스트가 맞습니다 ...
행운을 빕니다...
Random, RandomForest를 의미하지 않습니까?