Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3061

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

Belki de tüm bunların amacını gerçekten anlamadım.... Ancak bana öyle geldi ki amaç yeni bir faktörün etkisini tespit etmektir ya da tahmin edicinin geçmiş değerinin gösterge üzerindeki aykırı değeri olarak düşünülebilir (fiyat ya da başka bir şey - regresyon çoğunlukla örneklerde yer almaktadır). O zaman görev, olayların kronolojisi değişmeden kaldığında bu aykırı değerleri tespit etmek olmalıdır (zaman serileri için örnek çizgilerini rastgele belirleyemezsiniz). Ve bunun nadir bir olay ya da tek seferlik bir değişiklik olduğu ortaya çıkar. O zaman sabit bir zaman aralığında tahmin edici endeksin dağılımındaki değişikliklere bakmak yeterlidir. Böyle bir değişikliğe sahip olan öngörücüler, neden (ya da belki de değil - burada neden ya da etkiyi nasıl belirleyeceklerini anlamadım) ve testin farklı bölümlerindeki bu değişiklikler daha sık "model çalışmıyor" etkisine yol açıyorsa, o zaman modeli bu öngörücülerle daha dikkatli bir şekilde çalıştırmamız gerekir....

Tahmin ediciler ve izleme farklı şeylerdir. Nedensel, herhangi bir özellik söz konusu değilse ATE'yi (ortalama tedavi etkisi) veya ortak değişkenler (özellikler) varsa CATE'yi (koşullu ... ...) belirlemek için sonuçlarla çalışır ve bazı dış etkileri (örneğin, tritment olan bir reklam kampanyası) dikkate alır. Bu, kontrol grubu üzerinde bir etki olup olmadığını belirlemek içindir. Daha sonra, bu etki göz önüne alındığında, modelinizi veya bazı metrikleri analiz edebilir ve geliştirebilirsiniz.

... Nasıl uygulanacağını bilmediğiniz bir şeyi nasıl uygulayacağınızı anlamaya çalışan sizsiniz.

ücretsiz kısa bir giriş kursuna katılın

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:

Tahmin ediciler ve izleme farklıdır. Nedensel, herhangi bir özellik söz konusu değilse ATE'yi (ortalama tedavi etkisi) veya ortak değişkenler (özellikler) varsa CATE'yi (koşullu ... ...) belirlemek için sonuçlarla çalışır ve bazı dış etkileri (örneğin, tritment olan bir reklam kampanyası) dikkate alır. Bu, kontrol grubu üzerinde bir etki olup olmadığını belirlemek içindir. Ardından, bu etki göz önüne alındığında, modelinizi veya bazı metrikleri analiz edebilir ve geliştirebilirsiniz.

... Nasıl uygulanacağını bilmediğin bir şeyi nasıl uygulayacağını bulmaya çalışan sensin.

ücretsiz küçük bir giriş kursu alın.

Bunların iki makalesini okudum - video ile birlikte bana fikir verenler bunlardı.

https://habr.com/ru/companies/ru_mts/articles/485980/

https://habr.com/ru/companies/ru_mts/articles/485976/ 

Ben de benzer bir görev üzerinde çalışıyorum - bu yüzden nüanslar konusunda kendi görüşüm var. Ama evet - yeni terminoloji kafa karıştırıcı.

Model tahminlerinin olasılıklarının çıkarılması - özellikle bu olasılıkların CB'de nasıl dağıtıldığını biliyorsanız, bunun iyi olduğunu düşünmüyorum.

Bu konularda uzmanlaşmış kütüphanelerle deney yapacaksanız - sonuçlarınızı ve durum hakkındaki görüşünüzü paylaşın.

Yaklaşımlarının ana fikri kaydığı sürece - asıl önemli olan analistin analiz konusu hakkındaki deneyimi ve bilgisidir :)

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

Bunların iki makalesini okudum - video ile bağlantılı fikirlerin temelini oluşturdular.

https://habr.com/ru/companies/ru_mts/articles/485980/

https://habr.com/ru/companies/ru_mts/articles/485976/ 

Ben de benzer bir görev üzerinde çalışıyorum, bu yüzden nüanslar hakkında kendi görüşüm var. Ama evet, yeni terminoloji kafa karıştırıcı.

Model tahminlerinin olasılıklarının çıkarılması - özellikle de bu olasılıkların CB'de nasıl dağıldığını biliyorsanız, bunun iyi bir fikir olduğunu düşünmüyorum.

Bu konularda uzmanlaşmış kütüphanelerle deney yapacaksanız - sonuçlarınızı ve duruma ilişkin vizyonunuzu paylaşın.

Yaklaşımlarının ana fikri içinde kaldığı sürece - asıl önemli olan analistin analiz konusu hakkındaki deneyimi ve bilgisidir :)

araç seti sunulur, üzerinde çalışın.

Çok soyut düşünürseniz, herkes "benzer bir görev" üzerinde çalışıyor (sadece hangisinin olduğunu formüle edemiyorlar).

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:

araç kiti sunuluyor, bunu çözün.

Çok soyut düşünürseniz, herkes "benzer bir görev" üzerinde çalışıyor (sadece hangisinin olduğunu formüle edemiyorlar).

Sorunu çözmek için forumda ayrı bir başlığım var. Amaç sadece tahmin edicinin (kuantum segmenti) olasılık dağılımını etkileyen yeni bir faktörün ortaya çıkıp çıkmayacağını belirlemek.

Uzun zamandır üzerinde çalışmamış olmama rağmen. Daha doğrusu, fikirleri kağıttan koda aktarmam gerekiyor.

Temel python veya er bilgisi olmadan böyle bir şeyle uğraşmak benim için zor. Hiç boş zamanım yok ve çabuk yoruluyorum. Haplar biraz yardımcı olsa da - ama onları istediğim zaman alıyorum....

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

Problemi çözmek için forumda ayrı bir başlığım var. Amaç, tahmin edicinin (kuantum segmenti) olasılık dağılımını etkileyen yeni bir faktörün ortaya çıkıp çıkmayacağını belirlemektir.

Uzun zamandır üzerinde çalışmamış olmama rağmen. Daha doğrusu fikirleri kağıttan koda aktarmam gerekiyor.

Temel python veya er bilgisi olmadan böyle bir şeyle uğraşmak benim için zor. Hiç boş zamanım yok ve çabuk yoruluyorum. Haplar biraz yardımcı olsa da.... onları kendimi iyi hissettiğimde alıyorum.

Yapabileceğim görevler belirlemem gerekiyor. Ne yazdığını okumanın bir yolu yok. Frekansın bir zaman çizelgesi var... çok bariz. Sonra parmağım refleks olarak çarpı işaretini dürttü ❌

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:
Hedeflerinizi kendiniz belirlemelisiniz. Ne yazdığını okumanın bir yolu yok. Frekansın bir zaman ölçeği var... çok bariz. Sonra parmağım refleks olarak çarpı işaretini dürttü ❌

Evet, aldığım zaman ölçeğiydi, bu örneklemdeki bağımsız ölçümleri standartlaştırmanın tek yolu bu ve uygulama değeri kaybolmuyor.

Sorunun zor olduğuna ve çözümü bulamayabileceğime katılıyorum. Ancak, modellerin çalışmayı durdurmasının ana nedeninin bu olduğunu görüyorum - tahmin edici aralıktaki olasılık kayması dağılımı zamanla çok değişiyor. Ve burada ya bunun nedenini arayabiliriz - yeni bir faktörün ortaya çıkış anını tespit etmek ya da "yaşam" tarihinden değişkenlik için ön koşullar aramak - bir tür hayatta kalma görevi.

Yaklaşımınıza bu bilgi üzerinden bakarsak, dolaylı olarak eğitim döneminde o anda önemli olan tahmin ediciler için dağılımların istikrarlı olduğu alanları ararsınız ve bazı kriterlere göre farklı bir dağılıma sahip diğer alanları elersiniz. Ancak örneklemdeki bu alanların farklı öngörücüler için farklı olması, çok büyük bir örnekleme döneminin kesilmesine neden olur. Her iterasyonda tahmin edicilerin sayısını azaltmaya çalışın - bu, tahmin ediciler arasındaki olasılık yanlılığı çatışmasını azaltacak ve böylece Geri Çağırma'yı artırabilecektir.

[Maxim Dmitrievsky]

Frekansın bir zaman çizelgesi yok. Sadece model hataları ile çalışıyorum :) bu yaklaşım uzun zaman önce dile getirildi, yükseltme tekniğini bilmiyordum. Yaklaşık aynı şeyi yaptığım ortaya çıktı. Bu dağılımlara bakmanın amacı nedir? Zaten açık olanın görselleştirilmesi.

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:
Frekansın bir zaman çizelgesi yok. Sadece model hataları ile çalışıyorum :) bu yaklaşım uzun zaman önce dile getirildi, yükseltme tekniğini bilmiyordum. Yaklaşık aynı şeyi yaptığım ortaya çıktı. Bu dağılımlara bakmanın amacı nedir? Zaten net olan bir şeyin görselleştirilmesi.

Belki de terim konusunda yanılıyorum, bir olayın zaman içinde belirli bir andaki sıklığına başka ne diyorsunuz?

Görselleştirmeden bahsetmiyorum... Bu sorunla nasıl daha etkili bir şekilde başa çıkılabileceğinden bahsediyorum.

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

Belki de terimde yanılıyorumdur, bir olayın zaman içinde belirli bir andaki sıklığına başka ne denir?

Görselleştirmeden bahsetmiyorum... Bu sorunla nasıl daha etkili bir şekilde çalışılabileceğinden bahsediyorum.

Hepsi başlıkta var, gerisini Google'da arayabilirsiniz. Nedensellik üzerine bir kitap attım.

Kesinlikle, konuyla ilgili olmayan birçok terim nedeniyle, neler olup bittiğinin anlamı kayboluyor. Görevin kendisi çok basit olsa da.

[Vladimir Perervenko]

Sizi bu konuya çeken şeyin ne olduğunu bilmiyorum. R kullanıcıları için, burada bu konuyla ilgili bir dizi paket var. Anlamak veya kullanmak için yardımcı olabilir. R 4.2.3/4.3.0

other attached packages:
 [1] regmedint_1.0.0               PSweight_1.1.8                MatchIt_4.5.3                
 [4] InvariantCausalPrediction_0.8 mboost_2.9-7                  stabs_0.6-4                  
 [7] glmnet_4.1-7                  Matrix_1.5-4                  grangers_0.1.0               
[10] dagitty_0.3-1                 CompareCausalNetworks_0.2.6.2 CERFIT_0.1.0                 
[13] causalweight_1.0.4            ranger_0.15.1                 causalsens_0.1.2             
[16] CausalQueries_0.1.0           Rcpp_1.0.10                   dplyr_1.1.2                  
[19] causalPAF_1.2.5               causaloptim_0.9.7             igraph_1.4.2                 
[22] CausalMBSTS_0.1.1             KFAS_1.5.0                    CausalKinetiX_0.2.1          
[25] CausalImpact_1.3.0            bsts_0.9.9                    xts_0.13.1                   
[28] zoo_1.8-12                    BoomSpikeSlab_1.2.5           Boom_0.9.11                  
[31] CausalGAM_0.1-4               gam_1.22-2                    foreach_1.5.2                
[34] causaleffect_1.3.15           causaldrf_0.4.2               causaldata_0.1.3             
[37] causalCmprsk_1.1.0            causal.decomp_0.1.0       

Şimdiye kadar sadece "sr" uyguladım.

İyi şanslar