Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1257

Yeni yorum
 
Philipp Negreshniy :
başarı aptallara eşlik eden şansa bağlıdır, sadece onlar ML yapabilir ve onu umut verici hale getirebilir;)

Haklısın, akıllı insanlar genellikle hayatta şanssızdırlar, çünkü aptalların basitçe görmeme riskinden korkarlar, akıllı insanlar bazen bir sarhoş gibi davranmaya ihtiyaç duyarlar, enerjik olarak rastgele, bir seçenek olarak, karar verme ve bir kural altında hareket etme seçeneği olarak. derece.

 
Keşa Kökü :

Bu "bir şeyi", bu "temel stratejiyi (BS)" biliyor musunuz?

Başlamak için herhangi bir BS alın. MO, varsa performansını ve geliştirme potansiyelini gösterecektir.) Ayrıca, BS'yi değiştiririz veya geliştiririz.

Her şey MO olmadan olduğu gibi kalır. MO kafanın yerini almaz.))

 

R'de Genetik Algoritmaları Kullanarak Özellik Seçimi


Bu, R'de genetik algoritmalar kullanılarak özellik seçimi hakkında bir gönderidir ve burada aşağıdakiler hakkında hızlı bir inceleme yapacağız:

  • Genetik algoritmalar nelerdir?
  • ML'de GA?
  • Bir çözüm neye benziyor?
  • GA süreci ve operatörleri
  • uygunluk fonksiyonu
  • R'de Genetik Algoritmalar!
  • kendin dene
  • ilgili kavramlar
Feature Selection using Genetic Algorithms in R
Feature Selection using Genetic Algorithms in R
  • Pablo Casas
  • www.r-bloggers.com
This is a post about feature selection using genetic algorithms in R, in which we will do a quick review about: What are genetic algorithms? GA in ML? What does a solution look like? GA process and its operators The fitness function Genetics Algorithms in R! Try it yourself Relating concepts Animation source: "Flexible Muscle-Based Locomotion...
 
Yuri Asaulenko :

Başlamak için herhangi bir BS alın. MO, varsa performansını ve geliştirme potansiyelini gösterecektir.) Ayrıca, BS'yi değiştiririz veya geliştiririz.

Her şey MO olmadan olduğu gibi kalır. MO kafanın yerini almaz.))

Her şeyin benim için nasıl çalıştığını zaten gösterdim, sırasıyla herhangi bir dürtü ve kanal stratejisini takas edebileceğiniz trendleri ve daireleri belirleyen hedefimi sundum.

 
Tekrar silinen mesajlar...
Kötü örnek bulaşıcıdır
 
elibrarius :
Tekrar silinen mesajlar...
Kötü örnek bulaşıcıdır

bu "yemek" ve zaten kimse bunu tartışmayacak, bu yüzden idili bozmamak için kaldırdım)

 
Maxim, Bayes ağacı nedir? Normalden ne farkı var?
 
Maksim Dmitrievski :

bu "yemek" ve zaten kimse bunu tartışmayacak, bu yüzden idili bozmamak için kaldırdım)

En azından blogunuzda ilginç makaleler bulundurun. Sadece kimse çöpü çıkarmıyor, arkasında ilginç bir şey bulmak zorlaşıyor.
 
elibrarius :
En azından blogunuzda ilginç makaleler bulundurun. Sadece kimse çöpü çıkarmıyor, arkasında ilginç bir şey bulmak zorlaşıyor.

Bayes ağaçlarını anlamak için önce Metropolis-Hastnigs algoritmasını, Markov zincirleri üzerinden Monte Carlo algoritmasını, ağaçlara benzeterek okumalısınız.

BART ile ilgili belgenin kendisi

http://www-stat.wharton.upenn.edu/~edgeorge/Research_papers/BART%20June%2008.pdf

kısacası, işin püf noktası, yeniden eğitmemeleri ve çıktıda (arka) olasılıksal bir tahmin vermeleridir.

 
Maksim Dmitrievski :

Bayes ağaçlarını anlamak için önce Metropolis-Hastnigs algoritmasını, Markov zincirleri üzerinden Monte Carlo algoritmasını, ağaçlara benzeterek okumalısınız.

BART ile ilgili belgenin kendisi

http://www-stat.wharton.upenn.edu/~edgeorge/Research_papers/BART%20June%2008.pdf

kısacası, işin püf noktası, yeniden eğitmemeleri ve çıktıda (arka) olasılıksal bir tahmin vermeleridir.

formül yığını

1...125012511252125312541255125612571258125912601261126212631264...3399
Yeni yorum