Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 640

Yeni yorum
 
Michael Marchukajtes :


Cidden, lütfen telaş etme, Michael. Sorumlu an. Bu fikir, ne sebeple olursa olsun (ister çarpıklık, isterse açılan fırsatlar karşısında tamamen şaşkınlık olsun) işe yaramazsa, bir sonraki fikir çok, çok yakında tüccarlar topluluğuna inecektir. Kesinlikle bundan eminim.

 
Michael Marchukajtes :

Bana yedi tutun!!!! Ve bu günü takvimde kırmızı bir kalemle işaretleyin, çünkü bugün R'yi indirdim ve yavaşça döndüreceğim ..

Sensei'de, çocuklardan uydurma))) h2o.automl.

Çıngırak vasat, ama her şey makinede ...

 
Sihirbaz_ :
Yaşlı Fa bir meyve bahçesinde duruyordu. Önünde bir portakal ağacı vardı. Her yerde, rastgele kuşlar uçtu.
Portakal ağacına kuşlar konmadı ve meyvenin zehirli olduğunu düşündü. Kenara çekilmeli ve görmeli
bir portakal ağacının arkasında duran bir elma ağacı, burada meyveler ve bir çift, hatta daha fazla kuş düzensizce uçuyor
mutlaka oturacaktır... Ama bir yerde durmaya devam etmiştir... Aç, bitkin, depresif...
 Altıncı yılın sonunda, Hu Zhou'ya avcılık becerisinin özüne nüfuz etmiş gibi geldi. Av için değil, kavramın kendisi onun için ana şey oldu ... (c)
	          




	          

		          

	          

          

        

        


            

          

              
	          

		          
		          
                
		          



                 
	          


	          

		          
http://playground.tensorflow.org
 NN eğitiminin görselleştirilmesi, sadece eğlence veya eğitim örneği olarak görünüyor
 spiralin sınıflandırılmasıyla ilgili bariz sorunları olan bir şey :)
 

	          


		          




  

      

        Tensorflow — Neural Network Playground
      


    

      Tensorflow — Neural Network Playground

      
  • Daniel Smilkov and Shan Carter
  • playground.tensorflow.org


      

        It’s a technique for building a computer program that learns from data. It is based very loosely on how we think the human brain works. First, a collection of software “neurons” are created and connected together, allowing them to send messages to each other. Next, the network is asked to solve a problem, which it attempts to do over and over...

      

    


    

  





		          



	          

		          

	          

          

        

        


            

          

              
	          

		          
		          
                
		          



                 
	          


	          

		          
Ve böyle bir mimari zaten
 bu doğrudan Poincaré'dendir - özellik alanı bağlantısı kesilirse, en az 2 katman gerekir, bu konuda elibrarius'tan zaten bir soru vardı
 

	          




	          

		          

	          

          

        

        


            

          

              
	          

		          
		          
                
		          



                 
	          


	          

		          
Maksim Dmitrievski :
 Ve böyle bir mimari zaten

 Maxim, peki ya özellik seçimi? Ah hayır hayır hayır.
 Ayrıca, ağ titreşmeye başladığında öğrenme hızını yavaşlatın.

 Geçen yaz bu şeyle oynadım. Çok görsel.)
	          




	          

		          

	          

          

        

        


            

          

              
	          

		          
		          
                
		          



                 
	          


	          

		          
Alexey Terentev :
 Maxim, peki ya özellik seçimi? Ah hayır hayır hayır.
 Ayrıca, ağ titreşmeye başladığında öğrenme hızını yavaşlatın.

 Geçen yaz bu şeyle oynadım. Çok görsel.)
 evet, sinüsleri koyarsanız, o zaman 1 kat ile olabilir

	          




	          

		          

	          

          

        

        


            

          

              
	          

		          
		          
                
		          



                 
	          


	          

		          
EMVC ile, istediğim şey işe yaramadı, paket, açıklamanın üstünkörü bir okumasında göründüğü gibi yapmıyor.
 EMVC, tahmin ediciler ve hedefler içeren bir tablo alır (yalnızca sınıflar. Regresyon mümkün değildir) ve her eğitim örneğinin gerçekten belirtilen sınıfa ait olup olmadığı olasılığını hesaplar. Böylece eğitim tablosunda diğer eğitim örneklerinin çoğuyla (aykırı değerler, hatalar) çelişen satırlar bulabilir ve eğitim sırasında modeli karıştırmamak için bunları kaldırabilirsiniz.
 En yüksek olasılık tahminlerini verecek bir dizi tahmin edici bulmanın mümkün olduğunu varsaydım, ancak bulunan tahmin edici setleri tatmin edici değildi. Bununla daha fazla deney yapmayacağım, tahmin edicileri seçmek için daha iyi araçlar var. Çapraz entropi tahminini göremezsiniz, paket bunu bir şekilde dahili olarak kullansa da, kullanıcıya böyle bir yanıt döndürmez.
 Ancak, tahmin edicileri değil, eğitim örneklerini taramak için ilginç bir araç olduğu ortaya çıktı.

 library (EMVC)
data(iris)


trainTable <- iris #таблица на которой в дальнейшем будет обучаться какая-то модель
PREDICTOR_COLUMNS_SEQ <- 1 : 4 #номера колонок с предикторами
TARGET_COLUMN_ID <- 5 #номер колонки с таргетом

EMVC_MIN_TRUST <- 0.9 #минимально допустимая вероятность принадлежности к классу посчитанная через emcv. От 0 до 1 .

emvcData <- t( as .matrix(trainTable[,PREDICTOR_COLUMNS_SEQ]))
emvcAnnotations <- as .numeric(trainTable[,TARGET_COLUMN_ID])
emvcAnnotationsUnique <- unique(emvcAnnotations)
emvcAnnotationsMatrix <- matrix( 0 , ncol=ncol(emvcData), nrow = length(emvcAnnotationsUnique))
for (i in 1 :length(emvcAnnotationsUnique)){
  emvcAnnotationsMatrix[i, emvcAnnotations == emvcAnnotationsUnique[i]] <- 1
}

set.seed( 0 )
emvcResult <- EMVC(data = emvcData,
                   annotations = emvcAnnotationsMatrix,
                   # bootstrap.iter = 20 ,
                   k.range = 2
                   # clust.method = "kmeans" ,
                   # kmeans.nstart = 1 ,
                   # kmeans.iter.max = 10 ,
                   # hclust.method = "average" ,
                   # hclust.cor.method = "spearman"
)

badSamples <- c()
for (i in 1 :ncol(emvcResult)){
   if (max(emvcResult[,i])<EMVC_MIN_TRUST){
    badSamples <- c(badSamples, i)
  }
}
cat( "Indexes of bad train samples:" , badSamples, "\n" ) #Это номера строк в обучающей табличке которые повышают кросс-энтропию данных. Они противоречат большинству других обучающих примеров, и возможно следует их удалить из обучающей таблички
trainTable <- trainTable[-badSamples,]



	          




		          
	          

		          

	          

          

        

        


            

          

              
	          

		          
		          
                
		          



                 
	          


	          

		          
Dr. tüccar :
 EMVC ile, istediğim şey işe yaramadı, paket, açıklamanın üstünkörü bir okumasında göründüğü gibi yapmıyor.
 EMVC, tahmin ediciler ve hedefler içeren bir tablo alır (yalnızca sınıflar. Regresyon mümkün değildir) ve her eğitim örneğinin gerçekten belirtilen sınıfa ait olup olmadığı olasılığını hesaplar. Böylece eğitim tablosunda diğer eğitim örneklerinin çoğuyla (aykırı değerler, hatalar) çelişen satırlar bulabilir ve eğitim sırasında modeli karıştırmamak için bunları kaldırabilirsiniz.
 En yüksek olasılık tahminlerini verecek bir dizi tahmin edici bulmanın mümkün olduğunu varsaydım, ancak bulunan tahmin edici setleri tatmin edici değildi. Bunu daha fazla denemeyeceğim, tahmin edicileri seçmek için daha iyi araçlar var. Çapraz entropi tahminini göremezsiniz, paket bunu bir şekilde dahili olarak kullansa da, kullanıcıya böyle bir yanıt döndürmez.
 Ancak, tahmin edicileri değil, eğitim örneklerini taramak için ilginç bir araç olduğu ortaya çıktı.

 Çok yazık.
 Mucizelerin gerçekleşmediği, her şeyin parça parça toplanması gerektiği fikrini bir kez daha doğruladınız.

	          




	          

		          

	          

          

        

        


            

          

              
	          

		          
		          
                
		          



                 
	          


	          

		          
Dr. tüccar :
 Böylece eğitim tablosunda diğer eğitim örneklerinin çoğuyla (aykırı değerler, hatalar) çelişen satırlar bulabilir ve eğitim sırasında modeli karıştırmamak için bunları kaldırabilirsiniz.
 Kalıp bulmanın zor olduğu forex verileri için gerekli mi? Bana öyle geliyor ki, örneklerin yarısını böyle bir programla ayıklayabilirsiniz. Ve emisyonlar daha basit yollarla aranabilir: kaldırılmaz, örneğin izin verilen maksimum değere eşitlenir.

	          




		          
	          

		          

	          

          

        




  


  

    

      

        
      

        
1...633634635636637638639640641642643644645646647...3399      
        
    

    

          
            Yeni yorum