PTT數位生活區 / DataScience

[討論] 適合二元分類的演算法

看板DataScience作者 (運氣小馬)時間6年前 (2018/06/18 19:03), 6年前編輯推噓16(16推 0噓 14→)
留言30則, 18人參與, 6年前最新討論串1/1
大家晚安 最近在測試分類的演算法 大家有什麼推薦分類很厲害且運算時間不會太久的方法嗎 目前我自己常用的有像是xgboost 還有random foreast 一直想找一些最新的方法，不知道大家有沒有什麼推薦的 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.83.27.114 ※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1529319831.A.377.html
→
, , 1F
SVM
06/18 19:11 QQ這個我用過 效果沒有想像的好
推
06/18 21:00, 6年前 , 2F
lightgbm
06/18 21:00, 2F
這個還真的沒有試過唉
→
06/18 21:04, 6年前 , 3F
Eye
06/18 21:04, 3F
我網路上沒看到過這個唉
→
06/18 21:51, 6年前 , 4F
brain
06/18 21:51, 4F
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
06/19 03:04, 6年前 , 5F
lightgbm跟xgboost結果差不多 但速度會快不少
06/19 03:04, 5F
→
06/19 03:04, 6年前 , 6F
你如果不滿意xgboost的結果那就不用試這個了
06/19 03:04, 6F
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
06/19 10:09, 6年前 , 7F
adaboost
06/19 10:09, 7F
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
→
06/19 23:07, 6年前 , 8F
三四樓是說用眼、腦分嗎Orz...
06/19 23:07, 8F
推
06/20 09:23, 6年前 , 9F
二元分類太廣了 應該要看實際的問題吧
06/20 09:23, 9F
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
→
06/21 02:55, 6年前 , 10F
nearest neighbor 類的演算法，例如 1NN
06/21 02:55, 10F
非監督也可以這樣玩偶 ※ 編輯: D0128431 (223.136.23.101), 06/21/2018 22:04:15
推
06/22 07:24, 6年前 , 11F
KNN是監督式演算法啊(只要是分類都是吧)
06/22 07:24, 11F
推
06/22 07:27, 6年前 , 12F
如果試過很多演算法效果都不好，
06/22 07:27, 12F
→
06/22 07:27, 6年前 , 13F
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, 13F
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
06/22 12:39, 6年前 , 14F
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, 14F
→
06/22 12:39, 6年前 , 15F
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, 15F
LSTM真的沒有比較好...我有試過 而且訓練時間超久
→
06/22 12:40, 6年前 , 16F
的，該換角度出發
06/22 12:40, 16F
推
06/22 21:53, 6年前 , 17F
fortuneBoost
06/22 21:53, 17F
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
06/22 23:49, 6年前 , 18F
LSTM的專長應該是處理長度非固定的資料吧
06/22 23:49, 18F
→
06/22 23:50, 6年前 , 19F
同樣是做分類或預測，方法有很多種呀
06/22 23:50, 19F
→
06/22 23:51, 6年前 , 20F
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, 20F
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
06/24 07:11, 6年前 , 21F
DecisionDice
06/24 07:11, 21F
→
06/24 07:11, 6年前 , 22F
RandomDice
06/24 07:11, 22F
這些方法也太新了xD
推
06/25 15:15, 6年前 , 23F
如果是財務時間序列，有一篇用 RNN + 改過的 update rule
06/25 15:15, 23F
→
06/25 15:15, 6年前 , 24F
06/25 15:15, 24F
QQ學海無涯啊 ※ 編輯: D0128431 (223.136.109.163), 06/26/2018 18:47:27
推
06/30 18:50, 6年前 , 25F
random forest
06/30 18:50, 25F
→
06/30 18:50, 6年前 , 26F
啊啊啊看到版主已經用了
06/30 18:50, 26F
推
07/01 08:10, 6年前 , 27F
可以使用ARMA, ARIMA 試試看
07/01 08:10, 27F
推
07/01 16:11, 6年前 , 28F
樓上這兩個很難更好吧...
07/01 16:11, 28F
推
07/02 02:27, 6年前 , 29F
DecisionDice XDDDD
07/02 02:27, 29F
推
07/30 23:20, 6年前 , 30F
bp softmax
07/30 23:20, 30F
‣ 更多 D0128431 的文章
文章代碼(AID): #1R9v6NDt (DataScience)
DataScience 近期熱門文章
更多 近期熱門文章 >>
PTT數位生活區 即時熱門文章
更多 即時熱門文章 >>
‣ 更多 D0128431 的文章
文章代碼(AID): #1R9v6NDt (DataScience)