Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3316

Yeni yorum
 
Maxim Dmitrievsky #:
Kalbimde ne olduğunu bilmiyorum, yine saçmalık
Zaten MO'lu olan başkaları da sizin hiç düşünmediğinizi teyit etti.
Kaç kez daireler çizebilirsin?

Neden kıpırdanıp duruyorsun?

Yeşil çizgi bir izdir, kırmızı çizgi ise doğrulamadır. Ve kırmızı daireli işaret, doğrulama hata grafiğinin düşüşten yükselişe geçtiği yerdir, bu Küresel Uç noktadır! - Bu, eğitimi durdurmanız gereken yerdir. Görüyorsunuz, sorumun basit cevabı? Herhangi bir öğrenme, küresel ekstremum arayışı ile optimizasyonun özüdür. Herhangi bir MO yöntemi tam da buna indirgenir, bazı değerlendirme fonksiyonlarının küresel bir ekstremuma optimizasyonu (kayıp fonksiyonunun minimizasyonu veya değerlendirme fonksiyonunun maksimizasyonu). Ama siz bir optimizatör değilsiniz, nasıl yani? Bunu kasıtlı olarak yapmasanız bile, MO yöntemleri bunu sizin için yapar.

 
Maxim Dmitrievsky #:
Herkes Sanych'in Öğretmen'in işaretlerle eşanlamlı olduğu yönündeki yanlış yorumunu onaylıyor mu?

Hayır, aynı değiller, eşanlamlı değiller.

İşaretler bir öğretmen olarak hareket edebilse de, bu göreve bağlıdır. Ancak aralarında kesin bir eşitlik koymak mümkün değildir.

 
Andrey Dik #:

Neden kıpırdanıp duruyorsun?

Yeşil çizgi izleme, kırmızı çizgi ise doğrulamadır. Ve kırmızı daireli işaret, doğrulama hata grafiğinin düşüşten yükselişe geçtiği yerdir, bu Küresel Uç noktadır! - İşte eğitimi durdurmanız gereken yer burası. Görüyorsunuz, sorumun basit cevabı? Herhangi bir öğrenme, küresel ekstremum arayışı ile optimizasyonun özüdür. Herhangi bir MO yöntemi tam da buna indirgenir, bazı değerlendirme fonksiyonlarının küresel bir ekstremuma optimizasyonu (kayıp fonksiyonunun minimizasyonu veya değerlendirme fonksiyonunun maksimizasyonu). Ama siz bir optimizatör değilsiniz, nasıl yani? Bunu kasıtlı olarak yapmasanız bile - MO yöntemleri bunu sizin için yapar.

Bu, sizin durumunuzda yeniden eğitilmiş modelin grafiğidir.
Ve kesme noktasından sonra, artan karmaşıklık artan aşırı eğitime yol açar, ki biz de bundan bahsediyorduk.
 
Valeriy Yastremskiy yapısını öğrenmeyle ilgili diğer görevler için kullanılır.

  • Görev örnekleri:

    • Bir öğretmenle öğrenme: sınıflandırma, regresyon, tahmin, dolandırıcılık tespiti, nesne tespiti, makine çevirisi vb.
    • Öğretmensiz öğrenme: kümeleme, boyut indirgeme (PCA, t-SNE), ilişkisel kural, veri görselleştirme ve diğerleri.

  • Model değerlendirme:

    • Öğretmenle öğrenme: Bir model, bilinen etiketlerle karşılaştırılarak tahminleri veya sınıflandırmaları ne kadar iyi yapabildiğine göre değerlendirilir. Değerlendirmeler doğruluk, F1-ölçümü, RMS hatası ve diğer ölçütleri içerebilir.
    • Öğretmensiz öğrenme: Tahmin yapmak daha zordur çünkü karşılaştırılacak bilinen etiketler yoktur. Değerlendirme, kümeleme kalitesinin görsel olarak incelenmesine, diğer algoritmalarla karşılaştırmaya veya bir uzman tarafından yapılan analize dayanabilir.

    • Her iki öğrenme türünün de makine öğreniminde uygulamaları vardır ve bunlar arasındaki seçim belirli göreve ve mevcut verilere bağlıdır. Bazen daha iyi sonuçlar elde etmek için öğretmenli ve öğretmensiz öğrenmeyi birleştiren hibrit yöntemler de kullanılır.

    Belli ki bir şeyler dönüyor.

    Tanımlara dönelim.

    P.Z.

    Sondan çok uzak değil.

    Huh. Birisi bir aydınlanma yaşadı!

     
    Andrey Dik #:
    Gerçekten de benzer, ancak MO'da bu grafik farklı gösteriyor ve farklı anlama geliyor))

    Bir şekilde bunun farkında olup olmadığınızı merak ediyordum:)

     
    Maxim Dmitrievsky #:
    Bu, sizin durumunuzda yeniden eğitilen modelin bir grafiğidir.
    Neden "benim durumum"? Bu herkes için aynı. Kırmızı daireden sonra eğitime devam ederseniz, aşırı eğitilmiş bir model elde edersiniz. Bu nedenle, geçerlilik birkaç iterasyonda artmaya başlayana kadar birkaç iterasyon bekleyin, eğitimi durdurun ve kırmızı dairenin küresel ekstremum olduğu sonucu seçin. Bazıları 2, 3, 4 ve daha fazla iterasyon için sonucu ÖNCE alabilir, ancak bu özü değiştirmez, çünkü bunun için hala küresel ekstremumu bulmanız gerekir.
     
    Andrey Dik #:
    Neden "benim"? Hepsi öyle. Kırmızı daireden sonra eğitime devam ederseniz, aşırı eğitilmiş bir model elde edersiniz. Bu nedenle, geçerlilik birkaç iterasyon boyunca büyümeye başlayana kadar birkaç iterasyon beklersiniz, eğitimi durdurursunuz ve kırmızı dairenin küresel ekstremum olduğu sonucu seçersiniz. Bazıları sonucu ÖNCE 2, 3, 4 ve daha fazla iterasyon için alabilir, ancak bu özü değiştirmez, hala bu küresel ekstremumu bulmanız gerekir.
    Çemberden önce yeniden eğitilmiş bir modeliniz var.
     
    Maxim Dmitrievsky #:
    ...
    Ve bir noktadan sonra, artan karmaşıklık aşırı antrenmanların artmasına neden olur ki bahsettiğimiz şey de buydu.

    Bu bir traine ve doğrulama grafiği. Karmaşıklığın bununla hiçbir ilgisi yoktur. Bu, MO'da ne yaparsanız yapın, küresel bir uç nokta aradığınız gerçeğiyle ilgilidir, ne kadar inkar ederseniz edin, bir optimizmcisiniz.

     
    Maxim Dmitrievsky #:
    Çemberden önce yeniden eğitilmiş bir modeliniz var.
    Bu kadar yeter, tamamen kayboldunuz. Ya tersini kanıtlayın, ama tek kelimelik ifadelerle değil, çizimlerle, açıklamalarla.
     
    Andrey Dik #:
    Bu kadar yeter, tamamen batırdınız. Ya tersini kanıtlayın, ama tek kelimelik ifadelerle değil, çizimlerle, açıklamalarla.
    Bu, treyne ve şaft üzerindeki her iterasyondaki hataların bir grafiğidir. Her iterasyondan/epoktan sonra modelin bir karmaşıklığı var. Y eksenindeki dairenin etrafında hatanın ne olduğunu ve x ekseninde kaç iterasyon/epok olduğunu çizmemişsiniz. Eğer 0,5 ise, model orada hiçbir şey öğrenmemiş demektir, o zaman yeniden eğitime başlar. Bu yüzden grafiğiniz bir şey ifade etmiyor.

    Oradaki global maksimum/minimum değer sıfır hatadır.
    1...330933103311331233133314331533163317331833193320332133223323...3399
    Yeni yorum