글쎄, 그것에 대해 그리고 연설이 있습니다. 모든 보간 다항식은 외삽에 적합하지 않습니다. 푸리에(Fourier)는 원래 급수를 정확히 반복하고, 라그랑주(Lagrange) 또는 테일러(Taylor)와 같은 다항식은 가격 변화율이 눈사태와 같이 증가하는 곡선을 생성합니다. 매끄럽게 하면 그림이 부드러워지지만 그다지 많지는 않으며 잘못된 것입니다. 원본 소스와의 연결이 끊어집니다.
보간과 관련이 없는 간단하고 이해하기 쉽고 효과적인 외삽 방법이 있습니다. 경향.
이전 독자들처럼 읽고 난 후 어떻게든 천천히 스트레스에서 벗어나게 됩니다. 이미 다른 주제가 논의 중입니다.
def polynomial_kernel(x, y, p= 3 ):
return ( 1 + np.dot(x, y)) ** p
# Gram matrix
K = np.zeros((n_samples, n_samples))
for i in range(n_samples):
for j in range(n_samples):
K[i,j] = self.kernel(X[i], X[j]) ??? Gram matrix 'K' is simmetrical. What we must do next, dont understand the code below
P = cvxopt.matrix(np.outer(y,y) * K)
q = cvxopt.matrix(np.ones(n_samples) * - 1 )
A = cvxopt.matrix(y, ( 1 ,n_samples))
b = cvxopt.matrix( 0.0 )
글쎄, 그것에 대해 그리고 연설이 있습니다. 모든 보간 다항식은 외삽에 적합하지 않습니다. 푸리에(Fourier)는 원래 급수를 정확히 반복하고, 라그랑주(Lagrange) 또는 테일러(Taylor)와 같은 다항식은 가격 변화율이 눈사태와 같이 증가하는 곡선을 생성합니다. 매끄럽게 하면 그림이 부드러워지지만 그다지 많지는 않으며 잘못된 것입니다. 원본 소스와의 연결이 끊어집니다.
보간과 관련이 없는 간단하고 이해하기 쉽고 효과적인 외삽 방법이 있습니다. 경향.
이전 독자들처럼 읽고 난 후 어떻게든 천천히 스트레스에서 벗어나게 됩니다. 이미 다른 주제가 논의 중입니다.
당신은 이전 독자들처럼 읽고 난 후 어떻게 든 천천히 스트레스에서 멀어집니다. 여기에서 또 다른 주제가 논의되고 있습니다.
예, 이것은 이미 주제에서 벗어났습니다.
안녕하세요 맥심입니다.
며칠 전에 2가 아닌 n개의 입력 벡터에 대한 커널 솔루션을 찾고 있었습니다. 해당 솔루션을 찾았거나 다른 방법을 구현하려고 했습니까?
내가 틀리지 않았다면 K가 커널 함수 인 K(x, y) 대신 K(x1, x2, x3, ..., xn)의 출력을 찾고 있는 것입니다. 내가 이해하는 것이 맞습니까?
내가 배운 것은 함수의 커널이 스칼라 값이라는 것입니다. 따라서 모든 내적의 합이어야 합니다. 다음과 같아야 합니다.
K(x1, x2, x3, ... xn) = 모든 z(i)의 합. 0 <i < n인 모든 i에 대해 Z(i + 1)
커널 기능의 모든 기능을 합한 MQL5의 for 루프일 수 있습니다.
테스트할 방법이 없습니다. 그러나 비슷한 것을 시도하고 테스트 했습니까? 아니면 여기에서 이해하는 데 뭔가 놓치고 있습니까?
안녕하세요 맥심입니다.
며칠 전에 2가 아닌 n개의 입력 벡터에 대한 커널 솔루션을 찾고 있었습니다. 해당 솔루션을 찾았거나 다른 방법을 구현하려고 했습니까?
내가 틀리지 않았다면 K가 커널 함수 인 K(x, y) 대신 K(x1, x2, x3, ..., xn)의 출력을 찾고 있는 것입니다. 내가 이해하는 것이 맞습니까?
내가 배운 것은 함수의 커널이 스칼라 값이라는 것입니다. 따라서 모든 내적의 합이어야 합니다. 다음과 같아야 합니다.
K(x1, x2, x3, ... xn) = 모든 z(i)의 합. 0 <i < n인 모든 i에 대해 Z(i + 1)
커널 기능의 모든 기능을 합한 MQL5의 for 루프일 수 있습니다.
테스트할 방법이 없습니다. 그러나 비슷한 것을 시도하고 테스트 했습니까? 아니면 여기에서 이해하는 데 뭔가 놓치고 있습니까?
안녕하세요, SVM 또는 가우스 프로세스와 같은 알고리즘은 기능 매핑이 아닌 내부 제품에서만 작동하기 때문에 실제로 지금 이 작업을 수행하는 방법을 모릅니다. 나는 지금 더 잘할 수 있는 좋은 아이디어를 찾고 있어요
안녕하세요, SVM 또는 가우스 프로세스와 같은 알고리즘은 기능 매핑이 아닌 내부 제품에서만 작동하기 때문에 실제로 지금 이 작업을 수행하는 방법을 모르겠습니다. 나는 지금 더 잘할 수 있는 좋은 아이디어를 찾고 있어요
내 이해에 따르면 커널 트릭은 SVM 알고리즘의 하위 집합이므로 더 이상 커널 트릭을 구현하지 않으려는 것입니까?
기능 매핑이라고 하는 것은 내적 또는 커널 트릭에서 더 높은 공간 다항식의 내적의 관점에서 표현되므로 내 이해로는 커널 기능 의 단순한 곱셈입니다.
명확하게 하기 위해 K(x,y)에서 두 개의 연속 양초의 양초 종가를 x와 y로 사용하여 커널을 얻을 계획입니까 아니면 다른 것을 구현하려고 합니까?
내 이해에 따르면 커널 트릭은 SVM 알고리즘의 하위 집합이므로 더 이상 커널 트릭을 구현하지 않으려는 것입니까?
기능 매핑이라고 하는 것은 내적 또는 커널 트릭에서 더 높은 공간 다항식의 내적의 관점에서 표현되므로 내 이해로는 커널 기능 의 단순한 곱셈입니다.
명확하게 하기 위해 K(x,y)에서 두 개의 연속 양초의 양초 종가를 x와 y로 사용하여 커널을 얻을 계획입니까 아니면 다른 것을 구현하려고 합니까?
내 말은 곱셈 후에 입력 벡터를 변경하는 방법을 이해하지 못한다는 뜻입니다. 그러면 입력 벡터는 절대적으로 동일할 것입니다. 그람 행렬을 사용하여 벡터를 배치한 다음(특징 매핑) 일부 조작이 필요하다고 말합니다. 다음은 SVM을 사용한 샘플 코드입니다.
https://pythonprogramming.net/soft-margin-kernel-cvxopt-svm-machine-learning-tutorial/
이제 나는 그것을 이해하기 위해 벡터 공간에 대해 배우고 있습니다.
우리가 en 포럼에 가면 더 좋을 것입니다)
내 말은 곱셈 후에 입력 벡터를 변경하는 방법을 이해하지 못한다는 뜻입니다. 그러면 입력 벡터는 절대적으로 동일할 것입니다. 그람 행렬을 사용하여 벡터를 배치한 다음(특징 매핑) 일부 조작이 필요하다고 말합니다. 다음은 SVM을 사용한 샘플 코드입니다.
https://pythonprogramming.net/soft-margin-kernel-cvxopt-svm-machine-learning-tutorial/
이제 나는 그것을 이해하기 위해 벡터 공간에 대해 배우고 있습니다.
우리가 en 포럼에 가면 더 좋을 것입니다)
물론 참고 자료는 영상에서 그람 행렬을 풀고 있는 다른 포럼에 나와 있습니다. 저도 이해하려고 합니다.
또한 지금까지 MQL5에 대해 이미 이해하고 구현하셨습니까? 그렇지 않으면 더 이상 시도할 의미 가 없습니다. :)
물론 참고 자료는 영상에서 그람 행렬을 풀고 있는 다른 포럼에 나와 있습니다. 저도 이해하려고 합니다. 다음은 그램 매트릭스와 관련된 또 다른 빠른 비디오 참조입니다.
https://www.youtube.com/watch?v=8JiMUqbByGA
또한 지금까지 MQL5에 대해 이미 이해하고 구현하셨습니까? 그렇지 않으면 더 이상 시도할 의미가 없습니다. :)
그램 행렬을 계산하는 간단한 루프입니다. 하지만 2차 솔버를 작동하고 있는데, 무엇인지 잘 모르겠습니다.
영상 감사합니다
그램 행렬을 계산하는 간단한 루프입니다. 하지만 2차 솔버를 작동하고 있는데, 무엇인지 잘 모르겠습니다.
영상 감사합니다
정확히 .. 내가 말했듯이 MQL5의 for 루프로 구현될 수 있습니다.
글쎄, 우리는 우리의 최종 목표가 달성되는 한 다른 일에 대해 신경 쓸 필요가 없습니다. :)
내 말은 우리가 Mql5에서 입력을 받고 예상대로 커널 로 출력을 얻을 수 있는 한 다른 것들은 중요하지 않습니다. 어쨌든 마지막 부분은 결과를 기반으로 올바르게 구현되었는지 여부에 따라 모든 것이 공개되는 테스트 부분이 될 것이기 때문입니다.
그건 그렇고, SVM은 분류기 기술일 뿐이고 커널 트릭을 사용하면 간단한 내적 덕분에 쉽게 만들 수 있습니다. SVM의 모든 것이 커널 트릭으로 구현될 필요는 없다고 생각합니다. 커널 트릭에서는 모든 것이 함수 자체에 의해 수행되므로 별로 할 일이 없기 때문입니다.
또한 이 영상은 커널 트릭을 이용한 파이썬 샘플 코드와 함께 SVM에 대해 자세히 설명합니다. 당신은 볼 수 있습니다:
https://www.youtube.com/watch?v=N1vOgolbjSc&t=157s
그러나 나는 지금 그람 행렬로 작업하는 방법을 이해하지 못합니다. 왜냐하면 이것은 새로운 변환된 기능이 아니라 이전 기능의 스칼라 곱이 있는 행렬이기 때문입니다.