交易中的机器学习：理论、模型、实践和算法交易 - 页 3251

新评论
 
mytarmailS #:

所以，我只想反驳一下。

相关性不需要归一化，它不是欧几里得距离，归一化已经包含在相关性中了。

谢谢您，大师。
这里不需要 PSA，因为测量值很少。测量越多，模式实例就越少。
 
Renat Fatkhullin #:

3980 实现了 复数、向量<复数>和矩阵<复数>类型的共轭方法。它们执行复数的共轭运 算。

谢谢！

 
Maxim Dmitrievsky #:
谢谢您，老师。
那里不需要 PSA，因为测量值很少。测量的次数越多，图案的实例就越少。

如果维度（特征）很多，甚至超过 5 个，就不值得寻找线与线之间的直接接近性，最好是降低维度。

 

两个敌人：过度训练和瞻前顾后。

关于过度训练--模型与原始系列过于 "相似"--已经有很多论述。每个人都对此很熟悉，因为过度训练是测试人员的常见结果。

什么是 "瞻前顾后"？

 
fxsaber #:

说这是国防部从事的主要任务是否正确？

情况就像现代物理学，你想骑马还是开车？物理学曾经试图理解世界是如何运作的，但现在他们只是在数据上延伸公式，发明虚拟实体，没有人理解任何东西，一切都非常复杂。

在数据处理方面，情况也是一样。过去，我们遇到一个问题，试图理解它，然后手工编写算法，优化计算。为了简化任务，一些关系被忽略，另一些关系被简化为线性形式。当有足够的能力和数据时，问题的解决就转移到优化器（粗略地说，就像 MT 测试仪一样）上，由它来选择某些多项式的系数。没有人知道是如何计算出来的，对结果也没有十足的把握，但这种方法能够考虑到非线性和非显而易见的关系，将一些科学计算的速度加快几个数量级。

当解决方案显而易见时，人们应该使用经典方法。但在不确定性很大的情况下，MO 并不是万能的（这就是为什么他们会在验证码的图片中添加噪音）。

 
mytarmailS #:

如果维度（属性）很多，甚至超过 5 个，那么就不值得寻找行间的直接邻近性，最好是降低维数

每个特征只有一个值是不够的。
我这样做只是为了好玩，这样晚上就不用坐在社交网络上，也不用和 vidosiki 比赛了。
虽然有时玩 Xbox 更有意思:)
 
Maxim Dmitrievsky #:
每个特性的 1 个值是不够 的 。
只是为了好玩，这样我晚上就不用坐在社交网络上，也不用参加比赛了 vidosiki
虽然有时玩 Xbox 更有趣:)

我哪里说了只有一个值？

 
mytarmailS #:

我在哪里说过一种价值？

我是说
 
Maxim Dmitrievsky #:
我是说

当缩小一个维度时，没有人会缩小到一个维度，这是可能的，但他们不会这么做。

 
Maxim Dmitrievsky #:
我说

您是使用卷积还是使用基本的预测器在故事中旋转？

1...324432453246324732483249325032513252325332543255325632573258...3399
新评论