Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3317
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
Olduğun yerde kal. Senden başka herkes aptal, bu yüzden sorulara cevap veren sensin.
Bu da ne? Oradaki kırmızı allık da ne? Yuvarlak, kırmızı, aşağıda.
Daha önce hiç böyle bir grafik görmemiştim.
Kurgucu, bir şeyler uyduruyor ve var olmayan şeyler hakkında tartışmaya zorluyorsun.
Aslında böyle bir grafiği bir modelden elde etmek normaldir, burada yıllarca gevezelik etmek yerine.
Öğrenmeyi, bazı üyeleri olmadan bir fonksiyonun cevabını bulmak olarak düşündüğünüzü doğru anlıyor muyum?
Örneğin, A+B+C=Y gözlemlerimiz var, A ve B - tahmin ediciler olarak ve C bilinmiyor, optimizasyon yoluyla örneklem üzerindeki cevaplarla (işaretleme) tanışarak, NS durumunda katsayılarla çarpma dahil olmak üzere manipülasyonlarla veya karşılıklı kurallarla ifade edilebilen C değerinin telafisini seçiyoruz. Yani, eksik değişkenleri değiştirmek ve doğru cevaba yaklaşmak için fonksiyonun aktif bir araştırması vardır. Örneklemdeki fonksiyon hesaplama sonuçlarının, sonucun yeni veriler üzerinde kullanılabilmesi için yeterince temsil edici olduğu varsayılır.
Bununla birlikte, test cihazında optimizasyon durumunda, değişkenlerin değerlerini (esasen onları fonksiyon olarak temsil ederek), onları bilmediğimizi varsayarak değiştirebilir veya hatta hangilerinin Y değerlerine yaklaşan kurallar biçimindeki telafi edici fonksiyonumuza daha fazla ağırlık vereceğini bilebiliriz.
Öğretmenin ne olduğunu zaten bildiğimize göre, şimdi bir kez daha Andrew için resimler
https://ru.wikipedia.org/wiki/%D0%94%D0%B8%D0%BB%D0%B5%D0%BC%D0%BC%D0%B0_%D1%81%D0%BC%D0%B5%D1%89%D0%B5%D0%BD%D0%B8%D1%8F%E2%80%93%D0%B4%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D0%B8
ChatGPT'den daha fazla sorgulama.
Max, [26 Ekim 2023, 18:59:31]:
Displacement-Dispersion Dilemma'nın küresel bir minimum bulmakla ilişkisi nedir?
ChatGPT & Midjourney | AI bot, [26 Ekim 2023, 18:59:38]:
Önyargı-dağılım ikilemi, makine öğrenimindeki model seçim problemini ifade eder. Model karmaşıklığı arttıkça (örneğin, yeni özellikler eklemek veya parametre sayısını artırmak), model tahminlerinin varyansında (yayılımında) bir artış olduğunu, ancak daha basit modellere doğru bir önyargı (hata) olabileceğini gösterir.
Öte yandan, küresel minimumun bulunması, modelin parametrelerinin optimize edilmesini ifade eder. Amaç, hata fonksiyonunun minimum değerinin elde edildiği parametre değerlerini seçmektir. Ancak, çok sayıda parametre ve model karmaşıklığı söz konusu olduğunda, global minimumun bulunması zor, hatta imkansız olabilir.
Dolayısıyla, yanlılık-dağılım ikilemi ve global minimum arayışı birbiriyle ilişkilidir; bir makine öğrenimi problemi için çok karmaşık bir model seçmek aşırı eğitim problemine (yüksek varyans) neden olabilirken, çok basit bir model kullanmak yetersiz eğitim problemine (yüksek yanlılık) neden olabilir. Bu durum global minimumun bulunmasını zorlaştırabilir ve optimal olmayan sonuçlara yol açabilir. Bu nedenle, en iyi sonuçları elde etmek için modelin karmaşıklığı ile verileri genelleştirme yeteneği arasında bir denge bulmak önemlidir.
Max, [26 Ekim 2023, 19:03:50]:
Optimal model bu durumda küresel minimuma karşılık gelmeli mi, gelmemeli mi?
ChatGPT & Midjourney | AI bot, [26 Ekim 2023, 19:03:54]:
Hayır, optimum modelin küresel minimuma karşılık gelmesi gerekmez. Bazı durumlarda, özellikle de verilerde gürültü varsa, model yeniden eğitilerek küresel minimuma ulaşılabilir. Böyle bir model eğitim verilerinde yüksek doğruluk gösterebilir, ancak verileri yeni örneklere zayıf bir şekilde genelleştirebilir.
Bunun yerine, en uygun model küresel minimuma yakın ancak düşük varyanslı ve yanlı olmalıdır. Böyle bir model yeni veriler üzerinde istikrarlı ve doğru tahminler üretecektir. Bu nedenle, optimum modeli seçerken modelin yalnızca eğitim verilerindeki doğruluğunu değil, aynı zamanda yeni örneklere genelleme yeteneğini de dikkate almak önemlidir.
Öğrenmeyi, bazı üyeleri olmadan bir fonksiyonun cevabını bulmak olarak temsil ettiğinizi doğru anlıyor muyum?
Örneğin, A+B+C=Y gözlemlerimiz var, A ve B - tahmin ediciler olarak ve C bilinmiyor, optimizasyon yoluyla örneklem üzerindeki cevaplarla (işaretleme) tanışarak, NS durumunda katsayılarla çarpma dahil olmak üzere manipülasyonlarla veya karşılıklı kurallarla ifade edilebilen C değerinin telafisini seçiyoruz. Yani, eksik değişkenleri değiştirmek ve doğru cevaba yaklaşmak için fonksiyonun aktif bir araştırması vardır. Ayrıca, örneklemdeki fonksiyon hesaplama sonuçlarının yeterince temsili olduğu ve bunun da sonucun yeni veriler üzerinde kullanılmasına olanak sağlayacağı varsayılmaktadır.
Bununla birlikte, test cihazında optimizasyon söz konusu olduğunda, değişkenlerin değerlerini (esasen onları fonksiyon olarak temsil ederek), onları bilmediğimizi varsayarak değiştirebilir veya hatta hangilerinin Y değerlerine yaklaşan kurallar biçimindeki telafi edici fonksiyonumuza daha fazla ağırlık vereceğini bilebiliriz.
Soruyu tam olarak anlayamadım. Lütfen açıklayın.
Max, [26 Ekim 2023, 18:59:31]:
Yer Değiştirme-Dağılma İkilemi küresel minimum arayışıyla nasıl ilişkilidir?
ChatGPT & Midjourney | AI bot, [26 Ekim 2023, 18:59:38]:
Yanlılık-dağılım ikilemi, makine öğreniminde model seçimi sorununu ifade eder. Model karmaşıklığı arttıkça (örneğin, yeni özellikler eklemek veya parametre sayısını artırmak), model tahminlerinin varyansında (yayılımında) bir artış olduğunu, ancak daha basit modellere doğru bir önyargı (hata) olabileceğini gösterir.
Regresyon yerine sınıflandırmada hata varyansının (yayılımının) dikkate alınması nasıl önerilmektedir?
Max, [26 Ekim 2023, 19:03:50]:
Bu durumda optimal model küresel minimuma karşılık gelmeli mi gelmemeli mi?
ChatGPT & Midjourney | AI bot, [26 Ekim 2023, 19:03:54]:
Hayır, en uygun modelin küresel minimuma karşılık gelmesi gerekmez. Bazı durumlarda, özellikle de verilerde gürültü varsa, modelin yeniden eğitilmesiyle global minimuma ulaşılabilir. Böyle bir model eğitim verilerinde yüksek doğruluk gösterebilir, ancak verileri yeni örneklere zayıf bir şekilde genelleştirebilir.
Bunun yerine, en uygun model küresel minimuma yakın ancak düşük varyanslı ve yanlı olmalıdır. Böyle bir model yeni veriler üzerinde istikrarlı ve doğru tahminler üretecektir. Bu nedenle, optimum modeli seçerken modelin yalnızca eğitim verileri üzerindeki doğruluğunu değil, aynı zamanda yeni örneklere genelleme yeteneğini de dikkate almak önemlidir.
GPT'ye sorun, antrenmanı ne zaman bırakmalısınız? Bu soruya henüz kendiniz cevap vermediniz.
Soruyu tam olarak anlayamadım. Lütfen açıklayın.
Yani hesaplamalarım doğru değil ve cevabım "hayır" - süreç hakkında farklı bir fikriniz var.