Да действительно, по тексту не понял, что именно эта дисперсия оценивалась по историческим данным.
Про то, что это почти три разности, это правда, только непонятно, есть ли дополнительная ценность от ML (и её размер) тут. Кстати, по трём разностям не нужно это предположения по поводу ML
Хочется отметить, что помимо указанного вами слабого места (нормально будущих предсказаний), есть ещё встроенная слабая мощность такого теста. Предсказание вероятно очень сильно увеличивает дисперсию. Поэтому как всегда, если нет стат значимости, не значит что нет эффекта. Тут корректнее смотреть, что доверительный интервал ни при каких обстоятельствах не окупается.
Кстати, а почему не считалась напрямую стат. значимость по тройной разности? Сумма нескольких нормальных величин имеет нормальное распределение…
Ну в том числе поэтому и спросил. Кроме того в оффлайне это ещё сложнее использовать. Да и клиенты не понимают как устанавливать любые пороги, потому что часто за ними непонятный смысл, точнее его связь с реальностью.
А вот за интрументы в конце ответа спасибо. Никогда с ними не работал. Надо будет изучить.
Ну да, на реальных данных работает очень медленно. В оригинальной статье рассматривались конкретные выборки. На других экспонента. LCMv3.0 работает в разу лучше, но этого не перестаёт быть экспонециальной. Размер выхода огромен и в сложных случаях принципиально не считаем до нужной глубины.
Ответы очень банальны. А теперь так. У вас 10^10 ассоциативных правил с приемлимыми поддержкой, lift и достоверность. Из них за приемлимое время можете найти 10^8.
Чтобы сделать то что вы написали, вам необходимо выбрать лучшие, попробовать из них реализовать рек. систему. Разделив при этом на обучающее и тестовое множество и при этом ещё и получить результат существенно выше чем простое SVD.
1) Charm является экспоненциальным алгоритмом в худшем случае. Рассмотрите квадратную матрицу размера n заполненую единицами кроме главной диагонали. У вас количество замкнутых itemsets будет экспонециально.
2) А как реально использовать результаты? Как проверить, что их использование приносит хоть какую-то ценность?
Спасибо за пост. В нашем законодетельств чёрт ногу сломить, и кто знает что там ещё таится. В защиту этого перехода стоит отметить, что на данный момент, в силу потрясающе неэффективного использования накопительной части, доход по ней существенно уступает «доходу» (за счёт переиндексации) по страховой части.
Ещё один момент, на счёт «втихую», Вы не правы. В каждом втором вагоне электричек висело объявление о пенсионной системе, описывающей смену 6% на 2%.
Можно один хотя бы. Можно о файлках в любой папке, действующей в глубь с возможностью отмены фильтров в родительских папках. Самый лучший пример это технологии файлы ".gitignore" в CVS Git.
Очень рад возможности использовать Диск под линукс.
Возможно я что-то пропустил, но по-моему опыту работы с Dropbox, в синхронизаторах не хватает возможности создавать фильтры, например так, как это сделано в Git. Т.е. создается файлик в директории, в котором для всех поддиректорий прописывается что файлы например с расширением *.obj не должны синхронизовываться. Знает ли кто какие-то принципиальные ограничения для таких систем на это опцию?
1) Новорожденные приходит с гораздо более богатой базой, чем Вы описываете. В частности он легко с первых дней выделяет лица. И именно это помогает ему развиваться дальше. (согласно научным исследованиям поведения детей).
2) Почему, то что Вы описываете имеет отношение к реальному мозгу? В частности одномерность датчиков вызывает сомнения…
3) Возможно Вам будет интересно посмотреть последние статьи Tom Mitchel'а на тему never ending learning…
Нет софт не кросс-платформенный.
У меня в лаборатории машина с линуксом стоит. Утилита — очень полезна для работы, но сама лаборатория виндовс уже месяц дает и не известно сколько давать будет…
Кроме того всегда приятнее работать в привычной среде.
Про то, что это почти три разности, это правда, только непонятно, есть ли дополнительная ценность от ML (и её размер) тут. Кстати, по трём разностям не нужно это предположения по поводу ML
Хочется отметить, что помимо указанного вами слабого места (нормально будущих предсказаний), есть ещё встроенная слабая мощность такого теста. Предсказание вероятно очень сильно увеличивает дисперсию. Поэтому как всегда, если нет стат значимости, не значит что нет эффекта. Тут корректнее смотреть, что доверительный интервал ни при каких обстоятельствах не окупается.
Кстати, а почему не считалась напрямую стат. значимость по тройной разности? Сумма нескольких нормальных величин имеет нормальное распределение…
А вот за интрументы в конце ответа спасибо. Никогда с ними не работал. Надо будет изучить.
Чтобы сделать то что вы написали, вам необходимо выбрать лучшие, попробовать из них реализовать рек. систему. Разделив при этом на обучающее и тестовое множество и при этом ещё и получить результат существенно выше чем простое SVD.
1) Charm является экспоненциальным алгоритмом в худшем случае. Рассмотрите квадратную матрицу размера n заполненую единицами кроме главной диагонали. У вас количество замкнутых itemsets будет экспонециально.
2) А как реально использовать результаты? Как проверить, что их использование приносит хоть какую-то ценность?
Ещё один момент, на счёт «втихую», Вы не правы. В каждом втором вагоне электричек висело объявление о пенсионной системе, описывающей смену 6% на 2%.
Возможно я что-то пропустил, но по-моему опыту работы с Dropbox, в синхронизаторах не хватает возможности создавать фильтры, например так, как это сделано в Git. Т.е. создается файлик в директории, в котором для всех поддиректорий прописывается что файлы например с расширением *.obj не должны синхронизовываться. Знает ли кто какие-то принципиальные ограничения для таких систем на это опцию?
Такая штука могла бы стать киллер-фичей ;)…
2) Почему, то что Вы описываете имеет отношение к реальному мозгу? В частности одномерность датчиков вызывает сомнения…
3) Возможно Вам будет интересно посмотреть последние статьи Tom Mitchel'а на тему never ending learning…
У меня в лаборатории машина с линуксом стоит. Утилита — очень полезна для работы, но сама лаборатория виндовс уже месяц дает и не известно сколько давать будет…
Кроме того всегда приятнее работать в привычной среде.