Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2875
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
Keyfi sayıda özelliğe sahip algoritmalar konusuyla ilgileniyorum. Tekrarlayan ağları biliyorum - aynısını istiyorum, ancak ağlar olmadan .
- Keyfi sayıda özelliğe sahip algoritmalar konusuyla ilgileniyorum. Tekrarlayan ağları biliyorum - aynısını istiyorum ama ağlar olmadan.
*Doğrusal regresyon, lojistik regresyon veya karar ağacı gibi rastgele sayıda özelliği işleyebilen makine öğrenimi algoritmalarını kullanabilirsiniz. Tekrarlayan ağlardan daha az hesaplama gerektirirler ve genellikle daha hızlıdırlar.
Bununla birlikte, tekrarlayan ağlar metin, sesli mesajlar veya hareket verileri gibi veri dizileriyle uğraşmanız gerektiğinde etkili olabilir. Tekrarlayan ağlar önceki adımlardaki bağlamı hatırlayabilir ve bunu bir sonraki adımı tahmin etmek için kullanabilir. Bu, örneğin kelimelerin bağlama bağlı olarak farklı anlamlara gelebildiği metin analizinde faydalı olabilir.
- Kastedilen, özyinelemeli fonksiyonların keyfi sayıda argümana bağlı olabilen, ancak sabit sayıda argümandan sıradan fonksiyonlar tarafından tanımlanan yapılardır. En basit örnek üstel ortalamadır.
*Kendileri aracılığıyla tanımlanan özyinelemeli fonksiyonları doğru bir şekilde tanımladınız. Herhangi bir sayıda argümana bağlı olabilirler, ancak genellikle sabit sayıda argümana bağlıdırlar.
Aşağıdaki gibi tanımlanan özyinelemeli bir fonksiyon olan üstel ortalamaya bir örnek verdiniz:
EMAvolume(t) = (volume(t) + (n - 1) * EMAvolume(t - 1)) / n
Burada EMAvolume(t) t'inci adımdaki işlem hacminin üstel ortalaması, volume(t) t'inci adımdaki işlem hacmi, n ise önceki adımların ağırlıklarını dikkate alan bir sabittir.
Yineleme fonksiyonları veri dizilerini modellemek için faydalı olabilir ve finans, biyoloji ve bilgisayar bilimi gibi çeşitli alanlarda kullanılır.
- Yineleme ağları bu şekilde olabilir, ancak ben ağsız bir ağ istiyorum.
*Yineleme ağları kullanmadan tekrarlayan fonksiyonlarla çalışmak istiyorsanız, veri dizileriyle çalışabilen doğrusal regresyon, lojistik regresyon veya karar ağaçları gibi makine öğrenimi algoritmalarını kullanabilirsiniz. Tekrarlayan fonksiyonları özellik olarak kullanabilir ve bir dizi özelliğe dayalı olarak sonuçları tahmin edebilirler.
Ancak, çok sayıda veri dizisinin işlenmesi gerektiğinde bu algoritmalar tekrarlayan ağlardan daha az verimli olabilir, çünkü tekrarlayan ağlar dizileri verimli bir şekilde işlemek için diğer algoritmaların sahip olmadığı bazı yeteneklere sahiptir.
Devam edin
Bazı durumlarda, tekrarlayan ağların eğitilmesi zor olabilir ve dizileri işlemek için çok sayıda hesaplama gerektirdiğinden yüksek hesaplama karmaşıklığına sahip olabilir. Bu durumda, daha az hesaplama gerektiren ve daha hızlı çalışan doğrusal regresyon, lojistik regresyon veya karar ağaçları gibi makine öğrenimi algoritmalarının kullanılması uygun olabilir.
Bununla birlikte, önceki adımlardan bağlam gerektiren veri dizileriyle çalışıyorsanız, tekrarlayan ağlar diğer makine öğrenimi algoritmalarından daha iyi bir çözüm olabilir. Bu durumda, mevcut tüm seçenekleri değerlendirmeli ve n
- İdeal olarak, algoritma girdi olarak mevcut tüm geçmişi almalıdır, ki bu geçmişin zaman içinde büyüdüğü açıktır. Bunu hangi parçalara ayıracağına ve bunlarla ne yapacağına karar vermelidir.
*Evet, ideal olarak algoritma rastgele sayıda özellik ile çalışabilmeli ve tahmin için hangilerinin en önemli olduğunu kendi başına belirleyebilmelidir. Ancak bu, manuel özellik bölümlemesi veya sabit sayıda özellik gerektiren bazı makine öğrenimi algoritmaları için zor olabilir. İsteğe bağlı sayıda özelliği işleyebilen bir algoritma gradyan bousting'dir. Bu algoritma, her biri yalnızca az sayıda özelliği dikkate alan küçük karar ağaçlarının bir bileşimini kullanır ve nihai algoritmayı üretmek için bunları bir toplamda toplar. Bu algoritma, hangi özelliklerin tahmin için en önemli olduğunu bağımsız olarak belirleyebilir.
Tamamen bağlı katmanlara sahip sinir ağları da kullanılabilir ve bunlar da rastgele sayıda özelliği işleyebilir. Ancak bu ağlar, adımlar arasındaki bağımlılıkları dikkate almadıkları için veri dizileriyle uğraşırken daha az etkili olabilir.
Bu çılgınlık, bir aptala dua etmeyi öğretirsen alnını kırar. Maxim'e bir gpt3 he.... ver
Vizörünüzü biraz aşağıda tutmanızı tavsiye ederim.
Algoritmanın olanaklarını araştırıyoruz.Kendimi basit bir şekilde ayrıştırabilirim, soru, sorgular aracılığıyla profili yeniden girip yeni bir belirteç alıp alamayacağınızdır, bunu nasıl yapacağınızı biliyor musunuz?
Ne yazık ki, izinle değil.
Bu kadar yeter.
Dahası, yaklaşık olarak aynı sonuçları verirler, ancak bousting daha hızlı ve daha esnektir.
100 kere söylendi*Yapabilirsin
Bu metinden anlam çıkarmak için GPT4'ün ortaya çıkmasını beklemeniz gerekir. Ben başarısız oldum)
Lojistik regresyonun farklı sayıda özellik ile nasıl çalışabileceğini anlamıyorum.
Bu metinden anlam çıkarmak için GPT4'ün ortaya çıkmasını beklemeniz gerekiyor. Ben anlamadım)
Lojistik regresyonun farklı sayıda özellik ile nasıl çalışabileceğini anlamıyorum.
Spesifik olmaya çalış, soracağım
Belki de değişken sayıda özelliğe sahip bir sınıflandırma görevinde lojistik regresyon kullanımına ilişkin basit bir örnek isteyebilirsiniz?
Belki de değişken sayıda özelliğe sahip bir sınıflandırma görevinde lojistik regresyon kullanımına ilişkin basit bir örnek isteyebilirsiniz?