혼돈에 패턴이 있을까요? 찾아보겠습니다! 특정 샘플의 예에 대한 머신 러닝. - 페이지 16 1...91011121314151617181920212223...32 새 코멘트 Aleksey Vyazmikin 2022.12.06 08:44 #151 Maxim Dmitrievsky #:정상적인 상황에서 시드는 거의 영향을 미치지 않으며 중요한 것은 알고리즘입니다. 시드에 신경을 써야 한다면 데이터는 이미 쓰레기입니다. 새 데이터를 확인하면 1000개가 아니라 10개의 징후만 있으면 어느 정도 확신할 수 있습니다. 기본 깊이는 6이며 중요한 값을 제외하고는 큰 영향을 미치지 않는다고 생각합니다. 학습 깊이는 과거 변동성에 따라 다르게 영향을 미칩니다. 네, 4개의 시드 예측자에서는 큰 영향을 미치지 않을 수도 있습니다. 하지만 이는 오해입니다. 모델에서 사용되는 예측자의 수를 본질적으로 결정하는 것은 시드입니다. 모든 매개 변수가 영향을 받습니다. 다만 예시보다 훨씬 더 많은 조합이 있을 수 있다는 점을 말씀드리고 싶었습니다. 4개의 예측자를 사용하면 0.3-0.5의 학습률로 1~3개의 CB 트리로 구성된 모델에서 의미가 있으며, 그렇지 않으면 이미 적합하다고 볼 수 있습니다. Renat Akhtyamov 2022.12.06 08:47 #152 Aleksey Vyazmikin #:새로운 데이터에 대한 학습을 계속하기 위해 다양한 샘플을 공급할 수 있습니다. CatBoost도 이 작업을 수행할 수 있는 것 같습니다. 모델을 병합하는 방법도 알고 있지만 자세히 살펴보지는 않았습니다. 그라데이션 부스팅입니다... 즉, 이전 모델의 오류를 통해 학습하고 하나의 모델에 대해서만 여러 번 훈련하면 됩니다. 모델 간의 유일한 차이점은 샘플이 시간에 따라 이동한다는 것입니다. Aleksey Vyazmikin 2022.12.06 08:52 #153 Renat Akhtyamov #:그라데이션 부스팅..... 즉, 이전의 실수로부터 배우는 것입니다. 하나의 모델에 대해서만 여러 번 훈련하면 됩니다. 모델 간의 유일한 차이점은 샘플이 시간에 따라 이동한다는 것입니다. 제 뇌는 여러분이 작성한 내용을 처리할 수 없습니다. Maxim Dmitrievsky 2022.12.06 09:27 #154 Aleksey Vyazmikin #:네, 4개의 예측자 시드에는 큰 효과가 없을 수도 있습니다. 이는 오해입니다. 실제로 시드는 모델에서 사용할 예측자 수를 결정합니다. 모든 매개 변수가 영향을 받습니다. 다만 예시보다 훨씬 더 많은 조합이 있을 수 있다는 점을 말씀드리고 싶었습니다. 4개의 예측자를 사용하면 0.3-0.5의 학습률로 1~3개의 CB 트리로 구성된 모델에서 의미가 있으며, 그렇지 않으면 이미 적합하다고 볼 수 있습니다. 시드는 정상적인 최적값이 있는 곳에는 영향을 미치지 않습니다. +- 단락이 있어도 상관없습니다. 약간 조정할 수 있지만 더 이상 중요하지 않습니다. Aleksey Vyazmikin 2022.12.06 09:38 #155 Maxim Dmitrievsky #:시드는 일반적인 최적값이 있는 곳에서는 효과가 없습니다. +- 단락이 있으면 역할을하지 않습니다. 약간 조정할 수는 있지만 중요하지는 않습니다. 어디에 있나요? Maxim Dmitrievsky 2022.12.06 09:39 #156 Aleksey Vyazmikin #:어디에 있나요? 시드 테마의 변형이 결과에 큰 영향을 미치지 않는 곳입니다.) Aleksey Vyazmikin 2022.12.06 10:25 #157 Maxim Dmitrievsky #:시드 테마의 변형이 결과에 큰 영향을 미치지 않는 것으로 보입니다.) 우리의 경우는 분명히 아닙니다... Maxim Dmitrievsky 2022.12.06 10:41 #158 Aleksey Vyazmikin #:저희의 경우는 그렇지 않습니다. 기대해 볼 만한 일이죠. Aleksey Vyazmikin 2022.12.06 10:47 #159 Maxim Dmitrievsky #: 기대할 만한 것이 있습니다. 있습니다. 그러나 이것은 이상적인 세계에 대해 이야기하고 있으며 때로는 기존 세계에 적응하는 것이 더 낫습니다. Valeriy Yastremskiy 2022.12.06 12:16 #160 Maxim Dmitrievsky #: 무작위로 검색하는 것이 더 나은지, 아니면 선험적으로 신뢰할 수 있는 정보를 고수하는 것이 더 나은지는 다음과 같은 문제입니다. 시작 시간과 종료 시간(세션, 달력) 외에는 아무것도 떠오르지 않습니다. 무슨 뜻인가요? 1...91011121314151617181920212223...32 새 코멘트 트레이딩 기회를 놓치고 있어요: 무료 트레이딩 앱 복사용 8,000 이상의 시그널 금융 시장 개척을 위한 경제 뉴스 등록 로그인 공백없는 라틴 문자 비밀번호가 이 이메일로 전송될 것입니다 오류 발생됨 Google으로 로그인 웹사이트 정책 및 이용약관에 동의합니다. 계정이 없으시면, 가입하십시오 MQL5.com 웹사이트에 로그인을 하기 위해 쿠키를 허용하십시오. 브라우저에서 필요한 설정을 활성화하시지 않으면, 로그인할 수 없습니다. 사용자명/비밀번호를 잊으셨습니까? Google으로 로그인
정상적인 상황에서 시드는 거의 영향을 미치지 않으며 중요한 것은 알고리즘입니다. 시드에 신경을 써야 한다면 데이터는 이미 쓰레기입니다.
새 데이터를 확인하면 1000개가 아니라 10개의 징후만 있으면 어느 정도 확신할 수 있습니다.
기본 깊이는 6이며 중요한 값을 제외하고는 큰 영향을 미치지 않는다고 생각합니다.
학습 깊이는 과거 변동성에 따라 다르게 영향을 미칩니다.
네, 4개의 시드 예측자에서는 큰 영향을 미치지 않을 수도 있습니다. 하지만 이는 오해입니다. 모델에서 사용되는 예측자의 수를 본질적으로 결정하는 것은 시드입니다.
모든 매개 변수가 영향을 받습니다. 다만 예시보다 훨씬 더 많은 조합이 있을 수 있다는 점을 말씀드리고 싶었습니다. 4개의 예측자를 사용하면 0.3-0.5의 학습률로 1~3개의 CB 트리로 구성된 모델에서 의미가 있으며, 그렇지 않으면 이미 적합하다고 볼 수 있습니다.
새로운 데이터에 대한 학습을 계속하기 위해 다양한 샘플을 공급할 수 있습니다. CatBoost도 이 작업을 수행할 수 있는 것 같습니다. 모델을 병합하는 방법도 알고 있지만 자세히 살펴보지는 않았습니다.
그라데이션 부스팅입니다...
즉, 이전 모델의 오류를 통해 학습하고
하나의 모델에 대해서만 여러 번 훈련하면 됩니다.
모델 간의 유일한 차이점은 샘플이 시간에 따라 이동한다는 것입니다.
그라데이션 부스팅.....
즉, 이전의 실수로부터 배우는 것입니다.
하나의 모델에 대해서만 여러 번 훈련하면 됩니다.
모델 간의 유일한 차이점은 샘플이 시간에 따라 이동한다는 것입니다.
제 뇌는 여러분이 작성한 내용을 처리할 수 없습니다.
네, 4개의 예측자 시드에는 큰 효과가 없을 수도 있습니다. 이는 오해입니다. 실제로 시드는 모델에서 사용할 예측자 수를 결정합니다.
모든 매개 변수가 영향을 받습니다. 다만 예시보다 훨씬 더 많은 조합이 있을 수 있다는 점을 말씀드리고 싶었습니다. 4개의 예측자를 사용하면 0.3-0.5의 학습률로 1~3개의 CB 트리로 구성된 모델에서 의미가 있으며, 그렇지 않으면 이미 적합하다고 볼 수 있습니다.
시드는 정상적인 최적값이 있는 곳에는 영향을 미치지 않습니다.
+- 단락이 있어도 상관없습니다.
약간 조정할 수 있지만 더 이상 중요하지 않습니다.
시드는 일반적인 최적값이 있는 곳에서는 효과가 없습니다.
+- 단락이 있으면 역할을하지 않습니다.
약간 조정할 수는 있지만 중요하지는 않습니다.
어디에 있나요?
어디에 있나요?
시드 테마의 변형이 결과에 큰 영향을 미치지 않는 곳입니다.)
시드 테마의 변형이 결과에 큰 영향을 미치지 않는 것으로 보입니다.)
우리의 경우는 분명히 아닙니다...
저희의 경우는 그렇지 않습니다.
기대할 만한 것이 있습니다.
있습니다. 그러나 이것은 이상적인 세계에 대해 이야기하고 있으며 때로는 기존 세계에 적응하는 것이 더 낫습니다.
무작위로 검색하는 것이 더 나은지, 아니면 선험적으로 신뢰할 수 있는 정보를 고수하는 것이 더 나은지는 다음과 같은 문제입니다.
시작 시간과 종료 시간(세션, 달력) 외에는 아무것도 떠오르지 않습니다. 무슨 뜻인가요?