Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2944
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
Söylemesi zor :) Matematik bu videoda görülebilir
Hayır, boş. Bousting hakkında olduğunu söylemeyi unuttum.
Lütfen ağaçlar üzerinde sınıflandırma algoritmasında aşağıdaki formülün nasıl elde edildiğini açıklayınız(PDF'ye bağlantı verebilir siniz):
İnternette bulabildiğim tüm materyallerde formül sihirli bir şekilde "tavandan alınıyor".
Sınıflara göre özetleme yapılıyorsa, payda Gini endeksi veya düğüm saflığıdır. Ne kadar küçük olursa o kadar iyidir. Payda ise sayfadaki satır sayısıdır.
Kriter ne kadar büyükse o kadar iyidir - sınıflar daha temiz bir şekilde ayrılır, ancak sayfalar aşırı derecede kesilmez.
Gini endeksi, sınıflandırma hata oranından daha hassas olduğu düşünüldüğü için seçilmiş gibi görünmektedir.
Eğer sınıf bazında özetlenirse, payda Gini endeksi veya düğüm saflığıdır. Ne kadar küçükse o kadar iyidir. Pay, sayfadaki satır sayısıdır.
Kriter ne kadar büyük olursa o kadar iyidir - sınıflar daha temiz bir şekilde, ancak aşırı yaprak parçalanmadan ayrılır.
Gini endeksi, sınıflandırma hata oranından daha hassas olduğu düşünüldüğü için seçilmiş gibi görünmektedir.
Hayır, düğüme isabet eden kayıtlar üzerinden özetleme. Soru, bilgi verilebilirliğin ölçüsü ile ilgili değildir. Ağaçlar arasında "kalıntıların" aktarılmasıyla ilgilidir - olasılıktan logit'e ve tekrar geriye doğru sürekli bir yeniden hesaplama vardır.
Hayır, düğüme isabet eden kayıtlara göre özetleme. Soru, bilgi verilebilirlik ölçüsü ile ilgili değildir. Ağaçlar arasında "kalıntıların" aktarılmasıyla ilgilidir - olasılıktan logit'e ve tekrar geriye doğru sürekli bir yeniden hesaplama vardır.
Peki genel olarak bir kayıt için frekans nasıl sayılabilir? Bir sınıf için nasıl olacağı açıktır.
Hayır, düğüme isabet eden kayıtlara göre özetleme. Soru, bilgi verilebilirlik ölçüsü ile ilgili değildir. Ağaçlar arasında "kalıntıların" aktarılmasıyla ilgilidir - olasılıktan logit 'e ve tekrar geriye doğru sürekli bir yeniden hesaplama vardır.
Yoksa lojistik regresyon ile sınıflandırma hakkında mı? Her iki durumda da, bir yerden koparılmış bir formül yeterli değildir, metnin tamamına ihtiyacınız vardır.
Yoksa lojistik regresyon ile sınıflandırmadan mı bahsediyoruz? Her halükarda, bir yerden koparılmış bir formül yeterli değildir, metnin tamamına ihtiyacınız vardır.
ln(odds) anlamında logit fonksiyonu. Olasılık değerleri [0,1] bölgesini artı veya eksi sonsuza çevirmek için buna ihtiyacınız vardır - aksi takdirde gradyanla eğitemezsiniz.
Örneğin, işte metin - https://medium.com/swlh/gradient-boosting-trees-for-classification-a-beginners-guide-596b594a14ea
Ve işte video - https://www.youtube.com/watch?v=hjxgoUJ_va8.
NOT. IMHO, hem orada hem de orada materyalde hatalar var.Eğer sınıf bazında özetlenirse, payda Gini endeksi veya düğüm saflığıdır. Ne kadar küçükse o kadar iyidir. Pay, sayfadaki satır sayısıdır.
Kriter ne kadar büyükse o kadar iyidir - sınıflar daha temiz bir şekilde, ancak aşırı yaprak parçalanmadan ayrılır.
Gini endeksi, sınıflandırma hata oranından daha hassas olduğu düşünüldüğü için seçilmiş gibi görünmektedir.
Nihayet birisi Gini endeksini biliyor.... 18'de bunun kodunu araştırmıştım. https://www.mql5.com/ru/blogs/post/723619
ln(odds) anlamında logit fonksiyonu. Olasılık değerleri bölgesini [0,1] artı veya eksi sonsuza çevirmek gerekir - aksi takdirde gradyan ile eğitmek mümkün olmayacaktır.
Evet, bir sınıfa ait olma olasılığını (ondan logit fonksiyonu) aradığınızda lojistik regresyon için kullanılır.
Örneğin, işte metin - https://medium.com/swlh/gradient-boosting-trees-for-classification-a-beginners-guide-596b594a14ea
Görünüşe göre yazar bousting'in iç yüzünü popüler bir şekilde sunmak istiyor, ancak problemin çok karmaşık bir varyantını ele almış. Kendi başlarına anlaşılması kolay olmayan logit regresyon, ağaçlar ve bousting'i karıştırıyor. Bousting'in özü funcan olmadan mantıksal olarak ifade edilemez. Logit regresyonun özünü anlamak için bir teorisyene (muhtemelen binom dağılımı) ihtiyacınız vardır.
Oh!
Nihayet birisi Gini endeksini biliyor... 18'de bunun kodunu arıyordum. h ttps:// www.mql5.com/ru/blogs/post/723619
Bir de Gini katsayısı vardır. MOE'de de kullanılır, ancak bu farklıdır).
Lütfen bousting ile ağaçlarda sınıflandırma algoritmasında aşağıdaki formülün nasıl elde edildiğini açıklayınız(PDF'ye bağlantı verebilir siniz):
İnternette bulabildiğim tüm materyallerde formül sihirli bir şekilde "tavandan alınıyor".
Formülü nereden aldınız? "Tavandan" alışılagelmiş kolektif çiftçiliğe bakılırsa, büyük olasılıkla Sovyet.
İyi kurulmuş algoritmaları olan profesyonel matematik kullanmanız gerekir.
R'nin çok sayıda ahşap modeli var ve profesyonel R dili ile diğerleri arasındaki fark, algoritmanın yazarlarına ve ilgili yayına zorunlu referanslar. Hızlı bir bakışta, R paketlerinden ilgili referanslara sahip olmayan az ya da çok karmaşık bir işlev hatırlayamıyorum.
R dışında her şeyi unutun. Bugün istatistiksel hesaplamalar için tek profesyonel ortamdır.