Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1334
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
MGUA'ya baktım, özellikle hangi kitaba atıfta bulunduğunu bilmiyorum ama o başlığı aramıyorum. Anladığım kadarıyla bu şey CatBoost'ta kullanılıyor
--l2-yaprak-reg
l2-yaprak düzenleyici
L2 düzenlileştirme katsayısı. Yaprak değeri hesaplaması için kullanılır.
Herhangi bir pozitif değere izin verilir.
CPU ve GPU
Yoksa başka bir şeyden mi bahsediyoruz? Bu yöntem, örneğin belirli alanlardaki kalıpları tanımlamak için tahmin edicileri oluştururken de kullanılabilir.
Peki, bu Tikhonov'un düzenlemesi, ama sıcaklık nerede?
Peki, bu Tikhonov'un düzenlemesi, ama sıcaklık nerede?
Ama anlam aynı gibi görünüyor, değil mi? Sadece algoritmanın içinde ne olduğunu bilmiyorum...
Bayes önyüklemesinin ayarlarını tanımlar. Sınıflandırma ve regresyon modlarında varsayılan olarak kullanılır.
Nesnelere rastgele ağırlıklar atamak için Bayes önyüklemesini kullanın.
Bu parametrenin değeri olarak ayarlanırsa, ağırlıklar üstel dağılımdan örneklenir. "1" . Bu parametrenin değeri olarak ayarlanırsa tüm ağırlıklar 1'e eşittir. "0" .
olası değerler aralıktadır . Değer ne kadar yüksek olursa, torbalama o kadar agresif olur.
Ama anlam aynı gibi görünüyor, değil mi? Sadece algoritmanın içinde ne olduğunu bilmiyorum...
Bayes önyüklemesinin ayarlarını tanımlar. Sınıflandırma ve regresyon modlarında varsayılan olarak kullanılır.
Nesnelere rastgele ağırlıklar atamak için Bayes önyüklemesini kullanın.
Bu parametrenin değeri olarak ayarlanırsa, ağırlıklar üstel dağılımdan örneklenir. "1" . Bu parametrenin değeri olarak ayarlanırsa tüm ağırlıklar 1'e eşittir. "0" .
olası değerler aralıktadır . Değer ne kadar yüksek olursa, torbalama o kadar agresif olur.
o farklı tabii
pek çok özellik olduğunda, muhtemelen
modeli biraz değiştirecek, saf ince ayar artık yok
detaylar okunmalı, genel olarak anlaşılabilir ama pencereye kadar değil
Bu arada, daha önce bahsettiğim dersleri, genel olarak XGboost'a ihtiyacı olan python'da örneklerle buldum. Orada veya sonraki derslerde, düzenlileştirme de tartışılmaktadır.
o farklı tabii
pek çok özellik olduğunda, muhtemelen
modeli biraz değiştirecek, saf ince ayar artık yok
Bakalım yayılma ne olacak - bugün veya yarın başka bir 100k model daha olacak, bu parametreyi numaralandırmada kullanıp kullanmamaya karar vereceğim...
Bakalım yayılma ne olacak - bugün veya yarın başka bir 100k model daha olacak, bu parametreyi numaralandırmada kullanıp kullanmamaya karar vereceğim...
Parametreler açısından neden normal talimat yok? Henüz katb kullanmıyorum, başka bir şey hakkında okuyorum
Parametreler açısından neden normal talimat yok? Henüz katb kullanmıyorum, başka bir şey hakkında okuyorum
Eh, tek şey ayarlar ve kısa bir açıklama ile açıklamaları olan iyi bilinen bir video.
Yakından bakarsanız, bir örnekteki modellerin finansal sonuçlarının çok farklı olabileceğini görebilirsiniz - 5000'den 1500'e, yani. önemli ölçüde, bu da Seed'in modeller üzerinde hala bir etkisi olduğu anlamına gelir. Seçilen modellerin benzer olduğunu varsayacağım (kontrol edeceğim), ancak biraz farklı kâr bölümlerine sahipler, ancak neredeyse herkesin modelin ortasında bir dairesi var, bu şaşırtıcı - aynı hata yapıyorlar bölümler (yeni verilerde bir anormallik?).
İçinde belirli bir och olan bir kutunuz var. tepelik manzara. Oraya çok fazla top atıyoruz (bu tohum) ve görevimiz topların çoğunun en derin boşluklara düşmesini sağlamak. Bu eğitim olacak ve bu prensibe göre Moskova Bölgesi'nde eğitim düzenleniyor.
1. Kutuyu hafifçe sallarsak, topların çoğu düştükleri boşlukları terk edemez - öğrenme gerçekleşmez.
2. Kutuyu kuvvetlice sallarsak, bazı topların çarpma ve yalnızca en derin boşluklarda kalma şansı olur, ancak daha sığ olanlar doldurulmamış kalacaktır, çünkü Oradan toplar çıkacak. Tam öğrenme olmayacak.
3. Kutuyu orta kuvvetle sallarsak, sadece derin ve orta boşluklar doldurulur, ancak geri kalan toplar hiçbir şey bulamaz ve kutunun etrafında rastgele zıplamaya devam eder. Eğitim 1 ve 2'den daha iyidir, ancak buzdan da değildir.
Antrenman yöntemlerinde her zaman ayarlar vardır - en etkili eğitimi almak için kutuyu tam olarak nasıl ve ne zaman sallayacağınız.
Farklı "tohumlar" bir araya gelmezse, o zaman ya öğrenme algoritmasında bir sorun var - böyle sallanmıyorsunuz ya da kutumuzda yakalayabileceğiniz derin çöküntüler yok.
İçinde belirli bir och olan bir kutunuz var. tepelik manzara. Oraya çok fazla top atıyoruz (bu tohum) ve görevimiz topların çoğunun en derin boşluklara düşmesini sağlamak. Bu eğitim olacak ve bu prensibe göre Moskova Bölgesi'nde eğitim düzenleniyor.
1. Kutuyu hafifçe sallarsak, topların çoğu düştükleri boşlukları terk edemez - öğrenme gerçekleşmez.
2. Kutuyu kuvvetlice sallarsak, bazı topların çarpma ve yalnızca en derin boşluklarda kalma şansı olur, ancak daha sığ olanlar doldurulmamış kalacaktır, çünkü Oradan toplar çıkacak. Tam öğrenme olmayacak.
3. Kutuyu orta kuvvetle sallarsak, sadece derin ve orta boşluklar doldurulur, ancak geri kalan toplar hiçbir şey bulamaz ve kutunun etrafında rastgele zıplamaya devam eder. Eğitim 1 ve 2'den daha iyidir, ancak buzdan da değildir.
Antrenman yöntemlerinde her zaman ayarlar vardır - en etkili eğitimi almak için kutuyu tam olarak nasıl ve ne zaman sallayacağınız.
Farklı "tohumlar" bir araya gelmezse, o zaman ya öğrenme algoritmasında bir sorun var - böyle sallanmıyorsunuz ya da kutumuzda yakalayabileceğiniz derin çöküntüler yok.
veya bir ayakkabı kutusu)
balonlarla iyi bir açıklama
iyi bir kutu kendini sallar
İçinde belirli bir och olan bir kutunuz var. tepelik manzara. Oraya çok fazla top atıyoruz (bu tohum) ve görevimiz topların çoğunun en derin boşluklara düşmesini sağlamak. Bu eğitim olacak ve bu prensibe göre Moskova Bölgesi'nde eğitim düzenleniyor.
1. Kutuyu hafifçe sallarsak, topların çoğu düştükleri boşlukları terk edemez - öğrenme gerçekleşmez.
2. Kutuyu kuvvetlice sallarsak, bazı topların çarpma ve yalnızca en derin boşluklarda kalma şansı olur, ancak daha sığ olanlar doldurulmamış kalacaktır, çünkü Oradan toplar çıkacak. Tam öğrenme olmayacak.
3. Kutuyu orta kuvvetle sallarsak, sadece derin ve orta boşluklar doldurulur, ancak geri kalan toplar hiçbir şey bulamaz ve kutunun etrafında rastgele zıplamaya devam eder. Eğitim 1 ve 2'den daha iyidir, ancak buzdan da değildir.
Antrenman yöntemlerinde her zaman ayarlar vardır - en etkili eğitimi almak için kutuyu tam olarak nasıl ve ne zaman sallayacağınız.
Farklı "tohumlar" bir araya gelmezse, o zaman ya öğrenme algoritmasında bir sorun var - böyle sallanmıyorsunuz ya da kutumuzda yakalayabileceğiniz derin çöküntüler yok.