Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1280

 

Benim görüşüm devam ediyor: saygıdeğer XanKsanych'in (Fa) iki koşulsuz akrabası burada yaşıyor. 1) Öfkeli yatırımcılar tarafından ele geçirilen oğlu Alyoshenka ve 2) Kesh'in torunu, büyükbabasının eserlerini okuyan herkese milyarlarca dolar vaat ediyor.

Lütfen onları karıştırmayın!

 

StarCraft 2 oyununda neler olduğu hakkında bir profesyonelin ilginç bir görüşü. Özellikle son maçtaki hile konusunda. Büyük şirketlerden böyle bir gösterinin organizasyonunun öncelikle bir pazarlama taktiği olduğunu unutmayın. Bu gün içi etkinlik için hisselerini satın almak doğru olacaktır.


 

İlgileniyorsanız, önem tablolarını permütasyonla ve tahmin edicinin gerçekten kaldırılmasıyla karşılaştırabilirsiniz.

Numaralandırmaya göre tahmin edicilerin önemi (1 ile kaldırma) treni
, özellik, mutlak değer, ilgili değer * 100
1) 17 0.01097643069603077 99
2) 30 0,006790004907923086 61
3) 61 0.004684715336508855 42
4) 2 -0.0002692516957934765 -2
5) 59 -0.0006465367565449825 -5
6) 34 -0.00065035171673333328 -5
7) 5 -0.00134840857516234 -12
8) 41 -0.001504570905518282 -13
9) 15 -0.001971414359495396 -17
10) 49 -0.002008411960897655 -18
11) 6 -0.002027305543154334 -18
12) 55 -0.002292162160081906 -20
13) 47 -0.002398304141661728 -21
14) 29 -0.003010337993465118 -27
15) 51 -0.004160368206123241 -37
16) 45 -0.004454751375256194 -40
17) 31 -0.004888451443569572 -44
18) 0 -0.00493201061731692 -44
19) 48 -0.005610904510929521 -51
20) 3 -0.005764515487066274 -52
21) 57 -0.005965409431599886 -54
22) 10 -0.006056332510674986 -55
23) 35 -0.006367565963429744 -58
24) 58 -0.006638024809636447 -60
25) 43 -0.007371220115761079 -67
26) 9 -0.007420288551508419 -67
27) 21 -0.007838972444520739 -71
28) 4 -0.007840269966254226 -71
29) 44 -0.008004942292835771 -72
30) 16 -0.008290498838290847 -75
31) 36 -0.008995332552560964 -81
32) 50 -0.009024243316015798 -82
33) 27 -0.009105675807931257 -82
34) 24 -0.01027361001595535 -93
35) 7 -0.01052719088846928 -95
36) 26 -0.01082406611271462 -98
37) 18 -0.011155880619525071 -105
38) 60 -0.01156309946744785 -105
39) 56 -0.01203862169736691 -109
40) 1 -0.01203862169736691 -109
41) 25 -0.0122272134638268 -111
42) 38 -0.01241174339783128 -113
43) 62 -0.01249635462233889 -113
44) 28 -0.01266702047388507 -115
45) 11 -0.01359028620740281 -123
46) 39 -0.01404126970316556 -127
47) 20 -0.01439737068264699 -131
48) 52 -0.01439756725211659 -131
49) 42 -0.0144571512808378 -131
50) 22 -0.0155188686180208 -141
51) 33 -0.011615798882405024 -147
52) 12 -0.01905830020505599 -173
53) 14 -0.0192462731981513 -175
54) 37 -0.01995084300903066 -181
55) 40 -0.020510512124551 -186
56) 19 -0.02145509666178 -195
57) 63 -0.02151966963894812 -196
58) 54 -0.02355949029687353 -214
59) 64 -0.02507021252693609 -228
60) 32 -0.02702794503628224 -246
61) 8 -0.02803580711831312 -255
62) 13 -0.03090123190409769 -281
63) 46 -0.03344678821960098 -304
64) 53 -0.03558721250407129 -324
65) 23 -0.0440721978162174 -401

Permütasyon yöntemine göre tahmin edicilerin önemi
, özellik, mutlak değer, ilgili değer * 100
1) 55 0.04340158682225395 99
2) 61 0.02562763893643727 59
3) 58 0.02546470705535522 58
4) 56 0.02529445125891924 58
5) 59 0.02513377163594621 57
6) 57 0.02208166602125552 50
7) 64 0.02019285632774162 46
8) 60 0.0160907362360114 37
9) 43 0.0125324616278514 28
10) 35 0.0123924971969528 28
11) 13 0.01233138008911674 28
12) 24 0.01170363669371338 26
13) 62 0.01162424331038356 26
14) 63 0.01149019906346291 26
15) 45 0.01127777161657609 25
16) 34 0.01085020622422195 24
17) 46 0.01061844113396632 24
18) 20 0.01007598993178244 23
19) 2 0.009874770749918993 22
20) 19 0.00973881761283335 22
21) 1 0.009100774421598679 20
22) 32 0,00902728955555301 20
23) 9 0,008970631365350451 20
24) 54 0,00802484531062575 18
25) 8 0,007874015748031482 18
26) 53 0.007388216046985141 17
27) 41 0.006952887365763216 16
28) 12 0,0065631543248105 15
29) 21 0,006511968996697037 15
30) 31 0.006445981174562854 14
31) 30 0,005790682414698156 13
32) 42 0.005742446472030011 13
33) 22 0,003590654957257189 8
34) 4 0,003590358440616087 8
35) 38 0.00350243104857792 8
36) 10 0.00350243104857792 8
37) 29 0.003392223030944636 7
38) 5 0,003253553701826867 7
39) 52 0.003019071994331074 6
40) 11 0,002622140078149371 6
41) 15 0.001506974549529611 3
42) 49 0.001178236999850979 2
43) 27 0.000646877104963639 1
44) 23 0.0001088642328799794 0
45) 0 -0.0007427642973199949 -1
46) 36 -0.0008086747680855211 -1
47) 18 -0.001719116017552688 -3
48) 16 -0.003868408494392753 -8
49) 7 -0.004264601904658535 -9
50) 25 -0.004436590312574581 -10
51) 44 -0.00454972466056144 -10
52) 17 -0.005094229165450173 -11
53) 33 -0.007112771718937178 -16
54) 50 -0.008009653155771651 -18
55) 6 -0.008725562553674474 -20
56) 26 -0.01000190433609049 -23
57) 47 -0.01158648521535965 -26
58) 3 -0.01809942562041326 -41
59) 51 -0.01843159353630121 -42
60) 39 -0.02375369534904158 -54
61) 40 -0.02659139305699997 -61
62) 37 -0.02970174182772609 -68
63) 48 -0.031083105562031 -71
64) 14 -0.03323633066169551 -76
65) 28 -0.03952723165321592 -91

Permütasyona göre, ilk 10 satır, tahmin edici kaldırılırsa, hatanın %2-6, numaralandırmadaki ilk 10'da - yalnızca %0,1-0,2 oranında kötüleşeceğini gösterir, çünkü pratikte, ağaç her zaman hemen hemen aynı iyi ayrımın olacağı başka bir öngörücü bulacaktır (öncelikle kaldırılan öngörücü ile ilişkili olduğu için, ancak önceden kaldırılsalar bile, yine de bir şeyler olacaktır).

İlginç bir şekilde, gerçek mesafedeki tahmin edicilerin neredeyse yarısı negatif önem gösteriyor, yani. çıkarılırlarsa, ağacın hatası azalacaktır, yani. açıkça gürültülüdürler. Ancak en gürültülü olanı, sonucu yalnızca %0,5 oranında kötüleştirir.
Eh, önem sırasının hiç de benzer olmaması gerçeği, gürültü tahmincilerini numaralandırma yoluyla filtrelemenin daha iyi olduğu fikrine yol açar.

 

Belki bir tür standart veya iyi bilinen bir örnekle karşılaştırmanız gerektiğinden ve ışıkla sıcak değil

+ hız çok önemli. İçe aktarmalar alglib içine yerleştirilmediğinden, permütasyonun şu anda optimal olduğunu düşünüyorum (bir sürü kaba kuvvet yöntemi denedim)

 
elibrarius :

Permütasyona göre, ilk 10 satır, tahminci kaldırılırsa hatanın %2-6, numaralandırmadaki ilk 10'da - yalnızca %0,1-0,2 oranında kötüleşeceğini gösterir, çünkü pratikte, ağaç her zaman hemen hemen aynı iyi ayrımın olacağı başka bir öngörücü bulacaktır (öncelikle kaldırılan öngörücü ile ilişkili olduğu için, ancak önceden kaldırılsalar bile, yine de bir şeyler olacaktır).

Ve neden ortak bir hataya ihtiyacınız var, denge ikili örneğiniz var mı? Sınıf 1 doğruluğunu iyileştirmenin yollarını bulmaya daha çok eğiliyorum.

 
Alexey Vyazmikin :

Ve neden ortak bir hataya ihtiyacınız var, denge ikili örneğiniz var mı?

Yaygın bir hata - tek bir yaprak değil, bir ağaç / orman kastedilmektedir.

Alexey Vyazmikin :

1. sınıf doğruluğunu iyileştirmenin yollarını bulmaya daha çok eğiliyorum.

Bende)

 
Maksim Dmitrievski :

Belki bir tür standart veya iyi bilinen bir örnekle karşılaştırmanız gerektiğinden ve ışıkla sıcak değil

+ hız çok önemli. İthalatlar alglib'e dahil edilmediğinden, permütasyonun şu anda optimal olduğunu düşünüyorum (bir sürü kaba kuvvet yöntemi denedim)

Numaralandırma (1 ile silme / ekleme) diğer tüm yöntemlerin karşılaştırılması gereken standarttır. Ama uzun, katılıyorum. Ama en az %5 eklerse, beklemeye hazırım.
 
Permütasyonla ilgili başka bir küçük deney.
Aynı ağaç üzerinde farklı başlatmalarda, permütasyonun rastgele olması nedeniyle önem sırası da değişir.
 
elibrarius :
Permütasyonla ilgili başka bir küçük deney.
Aynı ağaç üzerinde farklı başlatmalarda, permütasyonun rastgele olması nedeniyle önem sırası da değişir.

Açıklığa kavuşturmak istedim, permütasyon yönteminin sonucunu hangi örnek üzerinde, eğitilmiş olanda veya testte kontrol ediyorsunuz?

Anladığım kadarıyla gürültü, eğitim dışında bir örnek üzerinde çalışmayı tamamen durduran bir şey. Ama bence mesele tek bir öngörücüde değil, daha çok bağlantılarda/yapraklarda. Onlar. iki seçenek vardır - öngörücü çöptür veya doğru şekilde kullanılmıyor, yani. çöp yaprakları.

 
Alexey Vyazmikin :

Açıklığa kavuşturmak istedim, permütasyon yönteminin sonucunu hangi örnek üzerinde, eğitilmiş olanda veya testte kontrol ediyorsunuz?

Anladığım kadarıyla gürültü, eğitim dışında bir örnek üzerinde çalışmayı tamamen durduran bir şey. Ama bence mesele tek bir öngörücüde değil, daha çok bağlantılarda/yapraklarda. Onlar. iki seçenek vardır - öngörücü çöptür veya doğru şekilde kullanılmıyor, yani. çöp yaprakları.

Antrenmanda, çünkü ağaçlar gelişmemiştir. Yeniden eğitilmiş ağaçlarda, test ağacında gerekli olacaktır, çünkü ağaç da gürültüyü hatırlayacaktır.
Yetersiz eğitimli insanlarda bunun önemli olduğunu düşünmüyorum.
Ancak, örnek boyutu önemlidir. Ne kadar büyükse, o kadar temsilidir. Ve antrenman alanım 3 kat daha büyük.

---------

https://www.mql5.com/ru/blogs/post/723619 öğreticisine göre, büyük bir temsili örnek, sınıflara göre dengelemeyi isteğe bağlı hale getirerek geçici rastgeleliği azaltır. Yetersiz ağaçlara aktardı.
Ama belki yanılıyorum ve test sitesinde tahmin edicilerin önemini kontrol etmek gerekiyor.

Нужна ли деревьям и лесам балансировка по классам?
Нужна ли деревьям и лесам балансировка по классам?
  • www.mql5.com
Я тут читаю: Флах П. - Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных - 2015там есть несколько страниц посвященных этой теме. Вот итоговая:Отмеченный...