Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2743
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Maxim Dmitrievsky 'ye ek olarak.
İşte ben de bundan bahsediyorum:
sınıflandırma yapmak için bunu sadece yukarı/aşağı dir'e göre yapmamalı, önce en azından resmi olarak kaç sınıf ayıracağınızı belirlemek için bir küme analizi yapmalısınız (bunlara ne ad vereceğiniz öznel bir zevk meselesidir)...
ve ancak o zaman örnekleri şu veya bu sınıfa atamak için temel olarak ayırıcı işlevleri belirlemelisiniz.... o zaman sınıflandırma normal bir doğruluk yüzdesiyle olacaktır - böldüğümüz sınıfların gerçekten var olduğunu bildiğimizde...
PCA, ortogonal özellikleri seçmek için faktör analizinin yalnızca bir çeşididir, ancak ana faktörleri seçmeden TÜM varyansı açıklar
çünkü ana bileşenler yalnızca ham verilerle çarpıldığında pc_scores veren özvektör katsayılarına ("yükler") dönüştürülen ham verilerdir... (bunun gibi bir şey - uzun zaman önce hatırladım - ana bileşenler yalnızca ham verilerle çarpıldığında pc_scores veren özvektör katsayılarına ("yükler") dönüştürülen ham verilerdir... (bunun gibi bir şey - algoritmayı uzun zamandır hatırlamıyorum)
- ama sonuçta PCA, fs olmadan TÜM varyansı açıklar... Buna karşılık, temel faktör analizi "yalnızca değişkenin diğer değişkenler için de ortak olan varyasyonunu" kullanır... (Bunun en iyi fs olduğu konusunda ısrar etmiyorum -- ama her yerde nüanslar var)
genel olarak FS kimse doğru yapamaz ve kütüphaneyi suçlamaya çalışır...
PCA +/-3sq.cv. off ile birlikte -- aykırı değerlerin kaldırılmasına yardımcı olabilir, ancak bu yalnızca normal dağılım içindir ve gen. popülasyonunuzun normal dağılım yasasına uyduğunu hala kanıtlamanız gerekir! - istatistiksel olarak da... aksi takdirde PCA "Repin üzerinde yağ" gösterecektir (tersi değil)...
== Yaklaşık olarak böyle bir model oluşturmak için istatistiksel olarak yeterli bir yol görüyorum....
===
ve kütüphane zaten 10. şey (moderatörler normal DataScience'da neden bahsettiğimizi anlamadan isim taksalar bile - kaybedenler her zaman bir ziyafet hayal eder ve tüm dünyayı suçlar) - gerçekten anlamak isteyenler, uzun zaman önce önemli olanın programcının dili değil, yabancı bir kütüphanede bile uygulanan belirli varlıkların arkasındaki algoritmalar olduğunu fark ettiler - neden-sonuç ilişkilerinin özü bunu değiştirmez (kütüphanenin adı).
p.s..
Moderatörler ziyafetteyken( diğerleri çalışıyor - onları örnek almalısınız - yanlış bilgi yaymayın.
PCA sadece ortogonal özellikleri seçmek için faktör analizinin bir çeşididir, ancak ana faktörleri seçmeden TÜM varyansı açıklar,
Hedefi dikkate alan PCA var, hedefi karakterize eden bileşenleri izole edecek, ancak üzücü olan şey hedefin öznel bir değişken olması ve eğitim biter bitmez "dalgalanacak" olmasıdır.... ve bunun normal öğretmen eğitiminden farkı nedir?
Maxim Dmitrievsky 'ye ek olarak.
İşte bundan bahsediyorum:
sınıflandırma yapmak için, bunu sadece yukarı/aşağı dir'e göre yapmamalısınız, ama önce en azından resmi olarak kaç sınıf ayıracağınızı belirlemek için bir küme analizi yapmalısınız (bunlara ne isim vereceğiniz öznel bir zevk meselesidir)...
ve ancak o zaman örnekleri şu veya bu sınıfa atamak için temel olarak ayırıcı işlevleri belirleyin.... o zaman sınıflandırma normal bir doğruluk yüzdesiyle olacaktır - böldüğümüz sınıfların gerçekten var olduğunu bildiğimizde...
PCA, ortogonal özellikleri seçmek için faktör analizinin yalnızca bir çeşididir, ancak ana faktörleri seçmeden BÜTÜN varyansı açıklar
çünkü ana bileşenler yalnızca orijinal verilerle çarpıldığında pc_scores veren özvektör katsayılarına ("yükler") dönüştürülmüş orijinal verilerdir... (bunun gibi bir şey - uzun zaman önce hatırladım - uzun zaman önce)... (bunun gibi bir şey - algoritmayı uzun zamandır hatırlamıyorum)
- ama sonuçta PCA, fs olmadan TÜM varyansı açıklar... Buna karşılık, temel faktör analizi "yalnızca değişkenin diğer değişkenler için de ortak olan varyasyonunu" kullanır... (Bunun en iyi fs olduğu konusunda ısrar etmiyorum -- ama her yerde nüanslar var)
genel olarak FS kimse doğru yapamaz ve kütüphaneyi suçlamaya çalışır...
PCA +/-3sq.cv. off ile birlikte -- aykırı değerlerin kaldırılmasına yardımcı olabilir, ancak bu yalnızca normal dağılım içindir ve gen. popülasyonunuzun normal dağılım yasasına uyduğunu hala kanıtlamanız gerekir! - istatistiksel olarak da... aksi takdirde PCA "Repin üzerinde yağ" gösterecektir (tersi değil)...
== Bir model oluşturmanın istatistiksel olarak yeterli yolunu şu şekilde görüyorum...
===
ve kütüphane zaten 10. şey (moderatörler normal DataScience'da neden bahsettiğimizi anlamadan isim taksalar bile - kaybedenler her zaman bir ziyafet hayal eder ve tüm dünyayı suçlar) - gerçekten anlamak isteyenler, uzun zaman önce önemli olanın programcının dili değil, yabancı bir kütüphanede bile uygulanan belirli varlıkların arkasındaki algoritmalar olduğunu fark ettiler - neden-sonuç ilişkilerinin özü bunu değiştirmez (kütüphanenin adı).
p.s..
Moderatörler ziyafetteyken( diğerleri çalışıyor - onları örnek almalısınız - yanlış bilgi yaymayın.
.
Kim tarafından söylenmiş? Mantığını bozmadan üç kelimeyi bir araya getiremeyen bir moron tarafından )) ahaha, bu ciddi....
Kim tarafından? Mantığı sağlam tutmak için üç kelimeyi bir araya getiremeyen bir moron tarafından )) ahaha, bu ciddi....
konuşma sıralarını anlamıyorsunuz, kısalık için yazıldığında anlamıyorsunuz, tanımları anlamıyorsunuz, bu hiçbir şey değil.
sadece konu dışı konuşuyorsun. Bu bir üniversite öğrencisinin alametifarikasıdır.
Kimse sizi bununla suçlamıyor, insanlar farklıdır. Sadece meşe olduğun yere gitme, bulaşma :Dkonuşma kalıplarını anlamıyorsun
Dahi)) her türlü saçmalığı yazıyoruz ve düşünen biri burnunu dürttüğünde onlara - konuşmadan anlamıyorsun, ptuşnik diyorsun.
Puşniklerle ne alıp veremediğiniz var? Onlar insan değil mi? Yoksa eski sevgiliniz oradan mı?
...
Rusça yazın, okumak imkansız. Ve örneklerle komik bile oluyor. Yazılarınızın çoğunu bu yüzden genellikle hiç okumuyorum.
Sanych'in teorisini özetlemek gerekirse (kendisi düzgün bir şekilde formüle edemediği ve örnekler veremediği için):
Sanych'in açıklamalarından sonra, önemli tahmin edicilerin ne anlama geldiğini anlamayı biraz bıraktım. Açıklamasına göre, bunlar sıklıkla ortaya çıkıyor ve büyüklükleri sonuçla korelasyon gösteriyor. Ancak bunlar görünüşe göre tüm eğitim dönemi boyunca serinin genel işaretleri. Seri modelinde ne olduğunu eşleştiremiyorum. Bunların her zaman, oldukça basitleştirilmişse veya en sık çalışan tahminciler olduğu ortaya çıkıyor. Genel olarak, en sık çalışan ayarları kullanmanın.... yalnızca belirli bir segmentte çalışan ayarları kullanmaktan daha olumlu bir sonuç vereceği açıktır.
Nihai olarak neyin ve neden arandığını anlayamıyorum.
genius)) herhangi bir saçmalık yazıyoruz ve düşünen biri burnunuzu dürttüğünde onlara - konuşma kalıplarını anlamıyorsunuz, ptuschestvo diyorsunuz.
Puşniklerle ne alıp veremediğin var? Onlar insan değil mi? Yoksa eski sevgilin oralı mı?