Mihail Marchukajtes 有一个非常有趣/逻辑的方法，感谢他对多项式的解释（我也会努力记住）...只是一个了解情况的人！...但如果其他人不知道也不想知道过去的统计数据（还不是一个模型！！）是如何工作的，以便能够合理地处理并转移到未来（当然有50/50的概率）--那么他将指责模型、神经元、市场和条件......顺便说一句，后者的变化正是你可以把好的输入的地方！。- 任何生态系统的运作方案，无论其结构如何，都是一样的：条件->反应->后果 （甚至是环境后果）。
andre andre 481 1 1 gold badge 5 5 silver badges 8 8 bronze badges
stackoverflow.com
I am using python(3.6) anaconda (64 bit) spyder (3.1.2). I already set a neural network model using keras (2.0.6) for a regression problem(one response, 10 variables). I was wondering how can I generate feature importance chart like so:
Из статьи вы узнаете, как написать свою простую нейросеть на python с нуля, не используя никаких библиотек для нейросетей. Если у вас еще нет своей нейронной сети, вот всего лишь 9 строчек кода: Перед вами перевод поста How to build a simple neural network in 9 lines of Python code , автор — Мило Спенсер-Харпер . Ссылка на оригинал — в подвале...
我想，最主要的是建立这样的NS架构，当神经元层在通往输出的路上通过时，分散性不会增加......。imho (如果它是可用的，为什么要积累它，这是一个反问句)......然后是经典的统计逻辑......甚至在非常深入的历史中，也没有足够的样本来定性分析强有力的时刻（生活中的一切都会发生）......我想在 Mihail Marchukajtes的 分类模型中，异常值也会发生...(我们需要思考，音序器应该如何处理它们？)
..
是的，我知道，我知道，你已经冷静下来了）））。
Thrash.看来神经网络在这里确实是统治者。至少我的几个人达到了这个水平......。
嘲笑所有的集体农场和工厂班次（是的，都是组装的）：-)
给我看一个超过一年的信号，在神经网络上真正发挥作用的信号
通常，他们只是提到 "神经网络、深度学习 "和其他废话。而当考虑到--马丁格尔、锁、网格和简单的MA。残酷的现实是--简单的算法和简单的骗局占主导地位。
---
就像我看这个主题一样，我看到了结果：只有美丽的（真的非常好）文章和作者的个人自我发展。
嘲笑所有的集体农场和工厂班次（是的，都是组装的）：-)
给我看一个超过一年的信号，在神经网络上真正发挥作用的信号
通常，他们只提到 "神经网络、深度学习 "和其他废话。而当考虑到--马丁格尔、锁、网格和简单的MA。残酷的现实是--简单的算法和简单的骗局占主导地位。
---
每当我看完这个线程，我看到的结果是：只有美丽的（真的非常好）文章和作者的个人自我发展。
这不是我的意思...
而关于神经网络，我在上面写到，标准是55-56，一般来说，大约没有什么。
至于模型，这不是关于它们的问题，而是关于人工智能本质上是一个近似器的事实...
这就是重点，这是关于模型，它是根据与人工智能发现的依赖关系创建的， -- 你不必从模型到NS，而是从NS到模型 -- 在特定的当前条件下工作...当然，条件可能会改变...
当我想到古典AS部分的平衡和凯恩斯部分的不平衡时--根据凯恩斯的说法--我已经意识到，确定这一事实的NS在全球范围内与我无关。
(而近似只是人工智能技能中的一种，+优化，等等）。
Evgeniy Ilin # :
你所需要的都在OHLC中，其余的数据都是由它得出的。最主要的是一个灵活的算法，它将找到一种方法，将OHLC转换为那些有更多权重的数据，这也是机器的任务。此外只有OHLC几乎在任何地方都是一样的，如果你看tick volume或其他东西，这个数据是不同的，还有点差等等。你所需要的一切都在终端的图表上。
但是，如果你有深度学习的能力，这可能是可能的...(我甚至记得如何找到 "直线 "的曲率，就像在雾中，用第1次和第2次导数，感谢引文作者))
如果更谦虚，你也可以对当前的时刻进行采样...然后在收益率曲线开始走向水平时重新训练...
但如果你最初使用真正重要的标志（在逻辑上和经济上），那么机器本身就会弄清楚目前驱动市场的因素（即，司机目前最依赖的东西）...
Mihail Marchukajtes 有一个非常有趣/逻辑的方法，感谢他对多项式的解释（我也会努力记住）...只是一个了解情况的人！...但如果其他人不知道也不想知道过去的统计数据（还不是一个模型！！）是如何工作的，以便能够合理地处理并转移到未来（当然有50/50的概率）--那么他将指责模型、神经元、市场和条件......顺便说一句，后者的变化正是你可以把好的输入的地方！。- 任何生态系统的运作方案，无论其结构如何，都是一样的： 条件->反应->后果 （甚至是环境后果）。
交易员的主要技能是知道什么时候不进入市场......我认为!
P.S.
而所发现的电流依赖性及其相互作用是否发展成一个模型是一个全球性的问题......而这并不涉及NS，而是涉及样本研究作者大脑的接近能力，他把NS作为一种工具，但不是进入的理由，也没有把分析和结论的责任交给他/她。
这就是模型的问题，它是根据与人工智能发现的依赖关系创建的 -- 你不必从模型到NS，而是从NS到模型 -- 在特定的当前条件下工作...当然，条件可能会改变...
当我认为古典AS部分的平衡和凯恩斯部分的不平衡--根据凯恩斯的说法--我已经意识到，在全球范围内确定这一事实的NS对我来说有点不再重要了......
(而近似只是人工智能技能中的一种，加上优化，等等）。
但如果有深度学习的能力，我想这是可能的......(我甚至记得如何找到一条 "直线 "的曲率，如在雾中，用第1次和第2次导数，感谢引文作者))
如果更谦虚，你也可以对当前的时刻进行采样...然后在收益率曲线开始走向水平时重新训练...
但如果你最初使用真正的相关属性（在逻辑上和经济上），那么机器本身就会找出目前推动市场的因素（即司机最依赖的因素）......
Mihail Marchukajtes 有一个非常有趣/逻辑的方法，感谢他对多项式的解释（我也会努力记住）...只是一个了解情况的人！...但如果其他人不知道也不想知道过去的统计数据（还不是一个模型！！）是如何工作的，以便能够合理地处理并转移到未来（当然有50/50的概率）--那么他将指责模型、神经元、市场和条件......顺便说一句，后者的变化正是你可以把好的输入的地方！。- 任何生态系统的运作方案，无论其结构如何，都是完全如下的： 条件 -> 反应 -> 后果 （甚至环境后果） 。
交易员的主要技能是知道什么时候不进入市场......我认为!
P.S.
如果交易者已经发现了当前的依赖关系和他们的相互作用进入一个模型或没有 - 这是一个全球性的问题...并不涉及NS，而是研究作者大脑的接近能力，作者使用NS作为工具，但不把分析和结论的所有责任交给他。
阅读TensorFlow文档，一切都以构造函数的形式出现...实际是。真的是黑盒子。如果你感兴趣的话，我可以给你手动编写的感知器的代码，顺便说一下，这都是矩阵计算，都是建立在它们之上的。
顺便说一下tensorflow.keras（像Evgeny Dyuka的）。
目前，Keras并没有提供任何功能来提取特征的重要性
SKLearn似乎更有趣--机器学习结果的解释（也许库不是很好，但给出了评估的逻辑）。
p.s.
你还没有附...
顺便说一下tensorflow.keras（正如Evgeny Dyuka 所做的）--那么
SKLearn似乎更有趣--机器学习结果的解释（也许库不是很好，但评估逻辑是给出的）。
p.s.
你还没有附...
你正在进入某种丛林中。预测（或不预测）NS的问题是在一个更简单的层面上，与NS本身无关
https://neurohive.io/ru/tutorial/prostaja-nejronnaja-set-python/
这是一个简单的感知器）））。
我的教程例子是在Jupiter中，我不想分块复制，也不使用githab。
你有点陷入困境了。
这个逻辑...当你想绕过缺乏描述性状对某一因素依赖性的公式时，就会使用NS...加权使用...但在NS之前和之后，标准/经典的统计处理是有效的...例如，只有PDF=F'(X)=dF(x)/dx（尽管我们不需要CDF，因为人口分析的所有结论都是从PDF得出的），并且有不稳定的数据--首先我需要使分布达到均匀性，以便有可能对它们进行联合分析--这里加权有帮助（这里我并不追求数学）。但分析本身与NS无关，其结论也与NS无关（NS）......尽管这样的估计可能是粗略的，但经典的统计学也是不完善的（例如，使用增量的对数本身就已经把趋势性引入了结论中--这是一个纯粹的数学缺陷）...事实上，任何模型都有其假设...
市场参与者不等待预测，而是评估风险和波动性，并 在此基础上做出交易（和对冲）决定。只是这个分析中有两个可变因素--波动率和 时间窗口-- 而NS有助于将样本统一起来（但也可以使用GARCH），所以它们可以在一个统计模型中一起分析，并有助于确定水平线......。在那些时刻，当没有数学公式，这是不需要的（在这个世界上一切都在变化）。但通过加权、加权和再加权（为了压缩到一些回归）--在一个统计模型内进行联合分析，最好是没有噪音或至少使其最小化......
高斯的贝叶斯推理 逻辑值得铭记...
我想，最主要的是建立这样的NS架构，当神经元层在通往输出的路上通过时，分散性不会增加......。imho (如果它是可用的，为什么要积累它，这是一个反问句)......然后是经典的统计逻辑......甚至在非常深入的历史中，也没有足够的样本来定性分析强有力的时刻（生活中的一切都会发生）......我想在 Mihail Marchukajtes的 分类模型中，异常值也会发生...(我们需要思考，音序器应该如何处理它们？)
到目前为止，我的看法是...我还会看一下导入scipy.stats 作为stats的情况
p.s.
谢谢你的链接
到逻辑...当需要规避缺乏描述性状对某一因素依赖性的公式时，就会使用NS...加权使用...但在NS的标准/经典的统计处理之前和之后...例如，只有PDF=F'(X)=dF(x)/dx（尽管我们不需要CDF，因为人口分析的所有结论都是由PDF得出的），并且有不稳定的数据--首先我需要使分布均匀，以便有可能对它们进行联合分析--这里加权是有帮助的（我不希望在这里搞数学）。但分析本身与NS无关，其结论也与NS无关（NS）......尽管这样的估计可能是粗略的，但经典的统计学也是不完善的（例如，使用增量的对数本身就已经把趋势性引入了结论中--纯粹是数学上的缺陷）...事实上，任何模型都有其假设...
市场参与者不等待预测，而是评估风险和波动性，并 在此基础上做出交易（和对冲）决定。只是这个分析中有两个可变因素--波动率和 时间窗口-- 而NS有助于将样本统一起来（但也可以使用GARCH），所以它们可以在一个统计模型中一起分析，并有助于确定水平线...在那些时刻，当没有数学公式，这是不需要的（在这个世界上一切都在变化）。但通过加权、加权、再加权--在一个统计模型内进行联合分析，最好是没有噪音或至少是噪音最小化......
我想，最主要的是建立这样的NS架构，当神经元层通向输出的途中，分散性不会增加......我认为（为什么要积累它，如果它是可用的--一个反问句）......然后是经典的统计逻辑......甚至在非常深入的历史中，也没有足够的样本来定性分析强有力的时刻（生活中的一切都会发生）。
到目前为止，我的看法是...我再看看import scipy.stats as stats
p.s.
谢谢你的链接