Обучение с подкреплением является одной из наиболее активно развивающихся областей, связанных с созданием искусственных интеллектуальных систем. Оно основано на том, что агент пытается максимизировать получаемый выигрыш, действуя в сложной среде с высоким уровнем неопределенности. Дается исчерпывающее и ясное изложение идей...
为了找到交叉熵，你首先需要找到两个事件的条件熵，这就是我现在正在做的事....
而在模型在反馈上运行的时候，需要对模型熵进行估计。在发出信号后，我们可以计算这个信号的熵，并利用它来得出结论。信号的熵值增加了。好吧，他妈的，它已经倒下了--它是我们的蒸汽机车....
对于趋势交易--是的，正是如此。迈克尔，让我们走得更快些，因为我的岳父已经在我的脸上拧着拳头在急着从外汇中赚钱，不允许我专注于熵/非熵的问题...
为了找到交叉熵，你首先需要找到两个事件的条件熵，这就是我现在所做的....
你有一些其他的交叉熵，而不是我的，无能为力。虽然我也有一辆自行车，但我不会争论哪个更好 :)
我看了一下R的相关软件包，看起来https://cran.r-project.org/web/packages/EMVC/EMVC.pdf，可以找到熵和交叉熵并过滤掉预测因子。
我没有研究过信息论，但我对R中的熵有一些经验。
基本上，熵越高，数据中的混乱程度越大。一个具有高熵的预测器与目标的关系相当差。反之，低熵表明预测者很容易从预测者中识别出来。
非熵是熵的反面，与熵相比，它没有带来新的知识，只是为了方便而引入。如果预测者的熵大，那么非熵就小。如果熵是小的，那么非熵就是大的。这就像热与冷、光与暗等，一个无缝地流向另一个。
但这还不是全部，还有交叉熵。这就是两个预测器在一起与目标的关系，交叉熵高就不好，低就好。在机器学习中，经常会出现这样的情况：两个具有高熵的预测器一起使用时，会产生低的交叉熵，这正是我们所需要的。即使每个预测因子本身可能与目标有不好的关联（两者的熵都很高），但它们一起可以击中靶心（交叉熵低）。因此，我们不能简单地分别测量每个预测器的熵，并根据估计值选择一个集合。你需要选择具有低交叉熵的整个预测器集合，例如我不看它们的熵是多少，而是单独看。
这里有一些例子--
1）具有高熵的预测器。根本就没有办法预测目标类。
2）具有低熵的预测器。如果你仔细观察，如果预测器的值在0到0.25之间或小于0.4，那么类值=1。否则，类=2。这是一个非常方便的预测器，可以在MO中使用。
3）两个预测器，每个都有很高的熵，模型永远无法只用第一个或只用第二个预测器来预测目标。但通过把它们画在一起（X轴是第一个的值，Y轴是第二个的值），我们可以立即看到，它们一起给出了关于目标类别的非常好的信息（两个预测器的符号相同=类别1，符号不同=类别2）。这是低交叉熵的一个例子。
也许只是主要的组成部分？
http://padabum.com/d.php?id=223567
不谢
再次阅读......何时才能结束
http://padabum.com/d.php?id=223567
不谢
再次阅读......何时才能结束？
谢谢你的书。
不，这种链接与安装过程不下载））。
谢谢你的书。
不，这种链接与安装过程不下载））。
一切都在正常下载，没有任何安装
pdf是空白的，我可以转换为djvu并发送至也许只是主要的组成部分？
主成分的计算没有目标分析。找到主成分是可能的，但它们对预测正确的目标是否有用，事先并不知道。
而交叉熵的计算可以与特定的目标相关，结果会告诉人们哪些预测因子应该被删除，因为它们会干扰。
我想试试EMCV包，我希望我以前就注意到它，如果它能成功，我以后会在这里发表它的使用实例。
一切都在正常下载，没有任何设置。
对不起，按错了 "下载 "按钮，有一个exe文件。
一切都很好。
对不起，按错了 "下载 "按钮。没关系的。
这只是一个广告按钮，是时候在盗版网站上更有经验了 ))