→ yoyololicon: SVM
06/18 19:11
QQ這個我用過 效果沒有想像的好
推 jigfopsda: lightgbm06/18 21:00
這個還真的沒有試過唉
→ truehero: Eye06/18 21:04
我網路上沒看到過這個唉
→ ISMIR: brain06/18 21:51
XD大家真的是很厲害
※ 編輯: D0128431 (123.193.248.249), 06/18/2018 23:37:21
※ 編輯: D0128431 (123.193.248.249), 06/18/2018 23:55:17
推 goldflower: lightgbm跟xgboost結果差不多 但速度會快不少06/19 03:04
→ goldflower: 你如果不滿意xgboost的結果那就不用試這個了06/19 03:04
Lightgbm看來就只是XGBoost 的輕化版而已QQ 不過他們這個系列去年好像有出一個新的
算法 過幾天來試試看
※ 編輯: D0128431 (123.193.248.249), 06/19/2018 07:13:26
推 MXNet: adaboost06/19 10:09
這個好像是XGBOOST 之前出的XD
※ 編輯: D0128431 (111.71.106.102), 06/19/2018 13:10:20
※ 編輯: D0128431 (111.71.106.102), 06/19/2018 13:21:06
→ celestialgod: 三四樓是說用眼、腦分嗎Orz...06/19 23:07
推 cybermeow: 二元分類太廣了 應該要看實際的問題吧 06/20 09:23
準確來說想分析時間序列,但傳統那些方法效果都很差,所以我才換換看方法
→ Wush978: nearest neighbor 類的演算法,例如 1NN06/21 02:55
非監督也可以這樣玩偶
※ 編輯: D0128431 (223.136.23.101), 06/21/2018 22:04:15
推 Argerich: KNN是監督式演算法啊(只要是分類都是吧)06/22 07:24
推 Argerich: 如果試過很多演算法效果都不好, 06/22 07:27
→ Argerich: 要不要回頭檢查一下屬性,或訓練資料有沒有挑好啊?06/22 07:27
有啊 一直在找好的訓練資料 但尋找好的解釋變數真的不容易啊xD
推 s3714443: 我猜你想預測股票吧,但是這種分類都是橫斷面的,股票用06/22 12:39
→ s3714443: LSTM也是又慢也沒顯著提升,直接預測報酬漲跌是效果不好06/22 12:39
LSTM真的沒有比較好...我有試過 而且訓練時間超久
→ s3714443: 的,該換角度出發06/22 12:40
推 ray39620: fortuneBoost06/22 21:53
QQ上網google竟然沒有
※ 編輯: D0128431 (114.41.53.218), 06/22/2018 23:24:21
※ 編輯: D0128431 (114.41.53.218), 06/22/2018 23:27:00
推 sma1033: LSTM的專長應該是處理長度非固定的資料吧 06/22 23:49
→ sma1033: 同樣是做分類或預測,方法有很多種呀06/22 23:50
→ sma1033: 直接去找最新的影像辨識準確度最高的方法拿來用就好06/22 23:51
看來我要多學習這方面的知識了QQ
※ 編輯: D0128431 (111.83.218.216), 06/23/2018 15:21:17
推 Blankfein: DecisionDice 06/24 07:11
→ Blankfein: RandomDice 06/24 07:11
這些方法也太新了xD
推 MXNet: 如果是財務時間序列,有一篇用 RNN + 改過的 update rule 06/25 15:15
QQ學海無涯啊
※ 編輯: D0128431 (223.136.109.163), 06/26/2018 18:47:27
推 putintostyle: random forest 06/30 18:50
→ putintostyle: 啊啊啊看到版主已經用了 06/30 18:50
推 cpper: 可以使用ARMA, ARIMA 試試看 07/01 08:10
推 goldflower: 樓上這兩個很難更好吧... 07/01 16:11
推 a78998042a: DecisionDice XDDDD 07/02 02:27
推 zxp9505007: bp softmax 07/30 23:20