Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3131
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
Kısmen haklısınız, ancak her şeyi karıştırmanın felsefesini anlamıyorum - geri dönüşü olmayan bir sürüklenme yoksa, örneğin döngüsellikte kesinlikle işe yarar.
Başlangıç olarak, farklı sapma türlerini sınıflandırmak ve daha sonra bunlarla ayrı ayrı çalışmak istiyorum - eğer neden biliniyorsa, onu ortadan kaldırmanın bir yolunu düşünebiliriz. Ortadan kaldıramıyorsak da tespit edebiliriz (saptama).
randomizasyon test ve kontrol arasındaki önyargıyı ortadan kaldırır, bundan sonra öngörücü etkisi değerlendirilir
Bundan önce önyargıyı ortadan kaldırmazsanız, bu nedensel bir ilişki değil, ilişkisel bir ilişki olacaktır.
Tüm bu harika içerikler ayrı bir başlık altında toplanabilir mi?
Benden bu kadar.
Bana böyle bir şey gösterebilir misin?
Eğer bu kadar yaygınsa.
Nihayet!
İşte bir başlangıç.
Sırada ne var?
Bunda bu kadar zor olan ne? Ölçekler arasında atlamak daha önce de yaptığımız bir şey, burada sır yok. Ben daha karmaşık şeyler arıyorum ve sadece tek bir anlaşmanın olduğu bir resim hiçbir şekilde tüm resmin özünü ortaya çıkarmaz.
Anlıyorum.
Mektup yazmak zor değil.
Anladım.
Hecelemesi zor değil tabii ki.
Serbest çalışmalarımı gördünüz mü? ))))
Serbest çalışmalarımı gördünüz mü? ))))
Bir serbest çalışan profilini görürken anlaşmaların kalitesini değerlendirmek için hangi metodoloji kullanılabilir?
Randomizasyon, test ve kontrol arasındaki önyargıyı ortadan kaldırır, ardından tahmin edici etki tahmin edilir
Önyargı önceden ortadan kaldırılmazsa, nedensel olmaktan ziyade ilişkisel olacaktır.
Altın standardı
Bir önceki derste, ilişkilendirmenin nedensellikten neden ve nasıl farklı olduğuna baktık. Ayrıca bir ilişkinin nedensel bir ilişki haline gelmesi için neyin gerekli olduğunu da gördük.
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} ATT AYARLAMASI.
Yanlılık yoksa ilişkinin nedenselliğe dönüştüğünü hatırlayın. E[Yo T = 0] = E[Yo T = 1] ise yanlılık olmayacaktır. Başka bir deyişle, tedavi edilen ve kontrol edilen hastalar tedavileri dışında eşit veya karşılaştırılabilir ise ilişki nedensel olacaktır. Ya da daha teknik terimlerle ifade etmek gerekirse
Yukarıda resmin bir çevirisi var.
Öncelikle - hangi noktada örneği iki alt örneğe bölmek istediğinizi anlayamıyorum.
Sonra - görünüşe göre burada özel bir terminoloji var, nedensellik bir sonuç üzerinde doğrudan bir etkidir - belki de artık olasılıklı bir model bile değildir. İlişkisel bir ilişki ya sebebin bir aktivatörü ya da ilişkili bir özelliktir ve genellikle olasılıksaldır.
Formülü anlamıyorum - insani terimlerle ifade etmek ister misiniz?
Ancak, bu yöntemlerin (UpLift) amacı, hedefi münhasıran etkileyen faktörü tahmin etmektir. Etki derecesinin değerlendirildiğini anlıyorum. Ve diyelim ki bizim durumumuzda böyle bir faktörü bilmiyoruz ve her şeyi gözden geçiriyoruz - çıktı olarak bazı ölçümler elde ediyoruz. Peki bunlarla ne yapmamızı önerirsiniz? Kötü göstergeleri dışlamak mı?
Bunu verilerin kademeli olarak kaymasıyla nasıl kullanabiliriz?
Bunu dışlamıyorum, belki parlak bir şey bulmuşsunuzdur, ama ben henüz düşünce zincirini yakalayamadım.
Altın standardı
Bir önceki derste, ilişkilendirmenin nedensellikten neden ve nasıl farklı olduğuna baktık. Ayrıca bir ilişkinin nedensel bir ilişki olması için neyin gerekli olduğunu da gördük.
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} ATT AYARLAMASI.
Yanlılık yoksa ilişkinin nedenselliğe dönüştüğünü hatırlayın. E[Yo T = 0] = E[Yo T = 1] ise yanlılık olmayacaktır. Başka bir deyişle, tedavi edilen ve kontrol edilen hastalar tedavileri dışında eşit veya karşılaştırılabilir ise ilişki nedensel olacaktır. Ya da daha teknik terimlerle ifade etmek gerekirse
Yukarıda resmin çevirisi yer almaktadır.
Yeni başlayanlar için - hangi noktada örneği iki alt örneğe bölmek istediğinizi anlayamıyorum.
Sırada - görünüşe göre burada özel bir terminoloji var, nedensellik sonuç üzerinde doğrudan bir etkidir - belki de artık olasılıksal bir model bile değildir. İlişkisel bir ilişki ya sebebin bir aktivatörü ya da ilişkili bir özelliktir ve genellikle olasılıksal bir öneme sahiptir.
Formülü anlamıyorum - bana insani terimlerle özünü anlatabilir misiniz?
Ancak, bu yöntemlerin (UpLift) amacı, hedefi münhasıran etkileyen faktörü tahmin etmektir. Etki derecesinin değerlendirildiğini anlıyorum. Ve diyelim ki bizim durumumuzda böyle bir faktörü bilmiyoruz ve her şeyi gözden geçiriyoruz - çıktı olarak bazı ölçümler elde ediyoruz. Peki bunlarla ne yapmamızı önerirsiniz? Kötü göstergeleri hariç tutmak mı?
Verilerin kademeli olarak kayması durumunda nasıl kullanılır?
Dışlamıyorum, belki dahiyane bir şey bulmuşsunuzdur, ama ben henüz düşünce zincirini yakalayamadım.
sembollerden herhangi̇ bi̇ri̇ni̇ anlamadiysaniz chatgpt'den formül çözümlemesi̇ni̇ i̇steyebi̇li̇rsi̇ni̇z.
Y|T = 1 test grubu sonuçları (tritment ile)
Y|T = 0 - kontrol grubu (olmadan)
Y - sınıf etiketi, Y0,Y1 - tritment içermeyen ve tritment içeren sınıf etiketleri.
T - modele eklenen (tahmin edici dahil) veya eklenmeyen (1;0) tritment
E - beklenti
Test ve traine ile böldüğünüzde herhangi bir noktada bölün
Karıştırma yapmazsanız, ATE+bias'ın yanlı bir tahminini elde edersiniz
ATE, maruziyetin ortalama tedavi etkisidir
uykucu, bazı yerlerde harfleri karıştırmış olabilirim, ama mantık açık olmalı
Bu arada, google'ın bard'ı gpt'den daha çok hoşuma gidiyor. Google'da arama yapabiliyor ve ücretsiz.
ancak yalnızca ABD veya İngiltere'de İngilizce ve vpn'yi destekliyor, diğer ülkelerde çalışmıyor.
Ve temel olarak, openAI kimdir ve Google'lar kimdir. Muhtemelen farklı ağırlık kategorileri.