A
Я бы сказал, что C++, там, где пишут серьезные вычисления, скорее всего он будет
Size: a a a
2020 June 16
2020 June 17
VG
Можно ли как-то оптимизировать ансамбль из 7 классификаторов, если отдельные классификаторы могут отваливаться и не выдавать вообще никакой информации?
MV
Можно ли как-то оптимизировать ансамбль из 7 классификаторов, если отдельные классификаторы могут отваливаться и не выдавать вообще никакой информации?
Какую метрику ансамбля вы хотите оптимизировать?
VG
общее предсказание
VG
допустим, кроссэнтропия или софтмакс какой-нибудь от суммы выходов ансамбля
АО
Какой-то вариант стекинга?
VG
ансамбль однородный, т.е. один алгоритм не может получить преимущество перед другим
VG
просто они работают над разными источниками данных, иногда часть источников может отваливаться
VS
Надо запустить процедуру метаобучения над выборкой решений классификатров включающих NULL значения.
Ну если действительно классификаторы абсолютно однородные и имеют одинаковые веса вне зависимости от поступающих данных (что практически нереально) и у Вас там просто среднее или голосование - то эти процедуры не зависят от объема основания, что на 7 значениях что на 3 должны среднее / голосование посчитать
Ну если действительно классификаторы абсолютно однородные и имеют одинаковые веса вне зависимости от поступающих данных (что практически нереально) и у Вас там просто среднее или голосование - то эти процедуры не зависят от объема основания, что на 7 значениях что на 3 должны среднее / голосование посчитать
VG
Классификаторы идентичные, источники данных разные. Можно воспринимать как последовательный анализ с добавлением источников
VG
Ну хорошо, а как складывать их голосования? Удаляем NULL и тупо считаем среднее всех вероятностей?
VS
Как у вас сейчас сделано, когда все дают решения?
Скорее всего есть порого, с которым вы сравниваете вероятность данную классификатором каждым (возможно порог общий, надеюсь что индивидуальный) и потом считаете количество ЗА и ПРОТИВ превысивших пороги? Или вы считаете просто среднее вероятностей?
Скорее всего есть порого, с которым вы сравниваете вероятность данную классификатором каждым (возможно порог общий, надеюсь что индивидуальный) и потом считаете количество ЗА и ПРОТИВ превысивших пороги? Или вы считаете просто среднее вероятностей?
PY
Классификаторы идентичные, источники данных разные. Можно воспринимать как последовательный анализ с добавлением источников
Напрашивается байесовский вывод апосториорное распределение первого используется в качестве априорного второго уточняется использованием правдоподобия второго и так далее. Что хорошо работало надо чтоб классификаторы работали на независимых данных то есть корреляция может подпорить. Также можно рассмотреть em алгоритм на сухих 7 мм классификаторах
VG
Vladimir Samoylov
Как у вас сейчас сделано, когда все дают решения?
Скорее всего есть порого, с которым вы сравниваете вероятность данную классификатором каждым (возможно порог общий, надеюсь что индивидуальный) и потом считаете количество ЗА и ПРОТИВ превысивших пороги? Или вы считаете просто среднее вероятностей?
Скорее всего есть порого, с которым вы сравниваете вероятность данную классификатором каждым (возможно порог общий, надеюсь что индивидуальный) и потом считаете количество ЗА и ПРОТИВ превысивших пороги? Или вы считаете просто среднее вероятностей?
Сейчас считается среднее по тем, у кого выше определенного порога ЗА.
VG
Popov Yuri
Напрашивается байесовский вывод апосториорное распределение первого используется в качестве априорного второго уточняется использованием правдоподобия второго и так далее. Что хорошо работало надо чтоб классификаторы работали на независимых данных то есть корреляция может подпорить. Также можно рассмотреть em алгоритм на сухих 7 мм классификаторах
Данные зависимы - скажем это повторные тесты одного пациента.
VG
Только общее количество тестов всегда одинаковое, из них часть может отсеиваться как невалидные (отсутствие результата)
VG
скажем, лаборант был пьян
VG
но небольшую часть ошибок не удается определить как невалидные
VS
Ну в постейшем случае - просто оставьте ту же самую логику просто корректируя размер вектора решений подаваемого на вход.
Но действительно хороший эффект при работе с missing values даст именно метаобучение второго уровня. Там можно использовать различные алгоритмы, в том числе и байесовский, но в принципе любой стандартный умеющий работать с missing values подойдет
Но действительно хороший эффект при работе с missing values даст именно метаобучение второго уровня. Там можно использовать различные алгоритмы, в том числе и байесовский, но в принципе любой стандартный умеющий работать с missing values подойдет
PY
Данные зависимы - скажем это повторные тесты одного пациента.
Какая ж это зависимость. Самая настоящая независимость. Наблюдение объекта на фоне шумов и помех