🍛 🤹🏼 👣 प्रतियोगिता वीके सुपर। ट्रैक एमएल। 4 वाँ स्थान। कैसे? 🤮 🍋 🤙🏿

इस प्रतियोगिता में, जिसे VK up 2020 के क्वालीफाइंग दौर के भाग के रूप में आयोजित किया गया था , ट्रैक एमएल , यह संभावित दर्शकों के अनुपात का अनुमान लगाने के लिए आवश्यक था जो भविष्य में कई विज्ञापन प्लेटफार्मों पर प्रदर्शित विज्ञापनों को एक विशिष्ट संख्या: 1,2,3: देखेगा।

यह ज्ञात परीक्षण डेटा के लिए अंतिम भविष्यवाणियां भेजने के लिए एक क्लासिक प्रतियोगिता नहीं थी, लेकिन प्रतियोगिता स्थल पर लॉन्च किए गए डॉकटर में मॉडल को प्रस्तुत पूरी तरह से अज्ञात डेटा पर एक भविष्यवाणी।

सामान्य तौर पर, ऐसा समाधान प्रतिभागियों की संभावनाओं को बराबर करता है और उन लोगों को परीक्षण में झांकने की अनुमति नहीं देता है, जो उनके साथ सेट किए गए प्रशिक्षण डेटा को समृद्ध करते हैं, और मॉडल को परीक्षण डेटा के वितरण के लिए फिट करते हैं। यहां हर कोई एक समान पायदान पर था, क्योंकि यह स्पष्ट नहीं है कि डेटा में क्या हो सकता है: "जंक" डेटा, छिटपुट आउटलेर, अमान्य सीमांकक, और इसी तरह। लेकिन एक ही समय में इन सभी बारीकियों से हमें अपवादों को संभालने के बारे में सोचना पड़ता है।

इस प्रतियोगिता में, मैंने 4 वां स्थान लिया और मैं यह बताना चाहता हूं कि यह कैसे संभव था।

डेटा अवलोकन

प्रारंभिक डेटा निम्नलिखित रूप में प्रस्तुत किया गया था:

users.tsv – : , , . , , , . ( ), .
history.tsv — "-", ( ) . , , .
Validate.tsv फ़ाइल मॉडल को प्रशिक्षित करने के लिए एक सत्यापन फ़ाइल है, इसमें सिर्फ समय अंतराल पर डेटा और किसी विशेष ऑडियंस (प्लेटफ़ॉर्म और उपयोगकर्ता) के लिए एक विज्ञापन दिखाया गया था। उपयोगकर्ताओं और साइटों को स्ट्रिंग के रूप (1,5,7,3,14,6) दिए गए थे।
फ़ाइल validate_answers.tsv - एक उत्तर फ़ाइल में तीन कॉलम होते हैं: कितने प्रतिशत (मान 0 से 1 तक), दर्शकों को 1, 2, 3 बार वर्गीकृत किया गया है। तदनुसार, ये क्रम नहीं बढ़ रहे हैं।

प्रतियोगिता का उद्देश्य : भविष्य के नए डेटा के लिए मूल्यों के तीन सेटों का अनुमान लगाना ( वैद्युत फ़ाइल के प्रारूप में ) - दर्शकों के किस अनुपात में एक विज्ञापन 1.2, 3 बार दिखाई देगा। प्रतियोगिता वेबसाइट

पर कार्य के बारे में अधिक जानकारी ।

भविष्यवक्ताओं

अंतिम भविष्यवक्ता जिनका मैंने उपयोग किया वे 2 परिसरों का एक सेट हैं:

इतिहास और नए डेटा के साथ तुलना के आधार पर भविष्यवाणियों
भविष्य से केवल डेटा पर भविष्यवाणियों

इतिहास फ़ाइल के आधार पर पहले जटिल में, समूहीकृत उपयोगकर्ता-साइट जोड़े के लिए बुनियादी आँकड़े उत्पन्न किए गए थे, और बाद में सत्यापन और परीक्षण फ़ाइलों में उपयोगकर्ता-साइट जोड़ी के लिए उनका एकत्रीकरण । इसके बाद अलग-अलग तरीकों से भविष्यवाणियों का चयन किया गया - दोनों ही मॉडल में विभाजन और उपयोग के चरणों में भविष्यवाणियों का उपयोग करने की आवृत्तियों पर आधारित थे, और मान्यताओं पर, ऊपर से नीचे और ऊपर से नीचे तक। अलग-अलग चयन योजनाओं के बावजूद, सामान्य तौर पर यह सभी भविष्यवाणियों के एक सेट के करीब आ गए और परिणामस्वरूप उनमें से सात थे।

दूसरे परिसर के भविष्यवक्ताओं की व्याख्या (आश्चर्यजनक रूप से उनमें से सात भी थे) आम तौर पर बहुत सरल है:

1. डेल्टा- समय का अंतर। क्या यह तर्कसंगत है? तार्किक रूप से: अंतराल जितना बड़ा होगा, विचारों की संभावना उतनी ही अधिक होगी। बेशक, कोई प्रत्यक्ष निर्भरता नहीं है, लेकिन शारीरिक रूप से यह इस तरह से होना चाहिए, इसके अलावा, यह सबसे मजबूत भविष्यवाणियों में से एक है अगर हम उन्हें अलग से मानते हैं।

2. Delta2 भी एक समय का अंतर है, लेकिन प्रति दिन परिवर्तित होता है (यानी, एक पूर्णांक विभाजन 24)। यही है, हम एक रैखिक निर्भरता को एक टुकड़े-टुकड़े में बदल देते हैं। यहां विचार सरल है: हम घंटों के बीच अंतर नहीं करते हैं, लेकिन बहुत लंबे अंतराल (दिन) अपना स्वयं का रुझान निर्धारित करेंगे।

3. cpm - कीमत ही, इसी तरह: जितनी महंगी कीमत, उतनी अधिक संभावना है कि यह देखने के लिए, फिर से, निश्चित रूप से, कोई प्रत्यक्ष निर्भरता नहीं है, लेकिन इतिहास पर आधारित अन्य भविष्यवक्ताओं के साथ "छेड़खानी" में, निर्भरता स्पष्ट रूप से पता लगाया गया है।

4-7। ये हैं पाप और की क्योंकि विज्ञापन है, जो भी 24 घंटे पैमाने में अनुवाद के प्रारंभ और समाप्ति समय। इन कार्यों का उपयोग, रैखिक समय के विपरीत, आपको खाते के समय के अंतराल को ध्यान में रखने की अनुमति देता है जो दिन में गुजरता है। इन भविष्यवक्ताओं के उपयोग ने तुरंत 1.5 प्रतिशत अंकों में सुधार किया।

मीट्रिक और प्रतिक्रिया

आयोजकों द्वारा प्रस्तुत स्मूथ मीन लॉज एक्यूरेसी रेशियो (उसके बाद SMLAR ) मीट्रिक ।

जहाँ आरंभिक प्रतिक्रिया दर्शकों के अनुपात में प्रस्तुत की जाती है, जिन्होंने विज्ञापन को 1.2.3 बार देखा, अर्थात, रेंज में मान [0.1]।

वैसे, KDPV इस मीट्रिक, या कहें, न कि पूरी मीट्रिक के व्यवहार को इंगित करता है, लेकिन अपनी ओर से ( MAE भविष्यवाणी और संपूर्ण रेंज [0,1] के ऊपर सही मूल्य के सभी संयोजनों के लिए भविष्यवाणी पूर्वाग्रहों के लघुगणक के लिए)।

यदि आप ध्यान से मीट्रिक के सूत्र को देखते हैं, तो: एक तरफ, यह मीट्रिक मोटे तौर पर भविष्यवाणियों के अनुपात के ज्यामितीय अर्थ और वास्तविक मूल्य (पूर्वाग्रह के साथ) से मेल खाती है, जो स्पष्ट रूप से अंकगणितीय माध्य (कम अंतिम परिणाम के कारण) से बेहतर है। दूसरी ओर, यदि हम घातांक को छोड़ देते हैं, जो कम मूल्यों पर लगभग अपनी डिग्री के प्रतिपादक की तरह व्यवहार करता है, तो मीट्रिक को ऑफसेट के साथ प्रतिक्रिया के लघुगणक द्वारा MAE में बदल दिया जाता है। इस प्रकार, वैचारिक रूप से सही मॉडल का निर्माण करने के लिए, एक ऑफसेट और हानि फ़ंक्शन के साथ प्रारंभिक प्रतिक्रिया का उपयोग करना आवश्यक था जिसमें स्पष्ट रूप में एक लघुगणक है, या, इसके विपरीत, पहले ऑफसेट प्रतिक्रिया लघुगणक और एक रेखीय फ़ंक्शन ( MAE , eps) का उपयोग करें) लेकिन, मेरा मॉडल (जिसमें नुकसान फ़ंक्शन स्पष्ट रूप से निर्दिष्ट नहीं है) को देखते हुए, मैंने सत्यापन मॉडल के परिणामों के आधार पर प्रतिक्रिया का इष्टतम परिवर्तन चुना।

मैंने निम्नलिखित प्रतिक्रिया विकल्पों पर विचार किया - मूल शेयर, शेयरों का लघुगणक, उपयोगकर्ताओं की संख्या के पूर्ण मूल्यों के लिए संक्रमण, अलग-अलग ऑफसेट के साथ उनका लघुगणक (यहां निरपेक्ष मूल्यों पर चलते समय एक एकीकृत ऑफसेट का उपयोग करने का प्रयास किया गया था, क्योंकि 0.005 के ऑफसेट को शेयरों के लिए संकेत दिया गया था, और दर्शकों को था) अलग, 300 से 2500 तक, इसलिए ऑफसेट 1 से 12 तक की सीमा में होना चाहिए, लेकिन मैंने केवल 1 और 10 के मूल्यों की जांच की), और देखे गए लोगों के निरपेक्ष मूल्य की जड़।

ऊपर दी गई तस्वीर दो मॉडलों के परिणामों को दिखाती है जो एक अलग प्रतिक्रिया के लिए प्रशिक्षित हैं: प्रारंभिक दर्शक शेयर और प्रतिभागियों की पूर्ण संख्या।

ऊपरी आरेख सच्ची प्रतिक्रिया के क्रमबद्ध मानों (पहले स्कैन के अंशों) और दोनों मॉडलों के लिए अनुमानित मूल्यों को दर्शाता है। यह तुरंत स्पष्ट है कि अधिकांश प्रतिक्रिया मूल्य काफी छोटे हैं, इसलिए औसतन मान लगभग 5% है, और यह केवल पहली स्कैन के लिए है (दूसरे स्कैन के लिए, मंझला पहले से ही 1% से कम है, और तीसरे स्कैन के लिए लगभग 0% है, और इसके लिए मीट्रिक छोटे मान और त्रुटियां हैं) वे बहुत अप्रिय हैं)। इस आरेख में यह भी स्पष्ट रूप से दिखाई दे रहा है कि पूर्ण मूल्यों द्वारा मॉडल गुणात्मक रूप से बेहतर है, अनुमानों में प्रसार काफी कम है, और इस तथ्य के बावजूद कि विचलन छोटे मानों पर ग्राफ पर लगभग दिखाई नहीं देते हैं, परिणामस्वरूप, यह इन छोटे मूल्यों की त्रुटियां हैं जो दृढ़ता से प्रभावित करती हैं अंतिम परिणाम। वही KDPV पर देखा जा सकता है, कम मूल्यों पर बहुत तेज वक्रता, विशेष रूप से शून्य के करीब।

औसत आरेख प्रत्येक क्रमबद्ध भविष्यवाणी की त्रुटि को दर्शाता है, छोटे मूल्यों पर मजबूत त्रुटियां और बढ़ती प्रतिक्रिया मूल्यों के साथ उनकी कमी दिखाई देती है।

निचले आरेख पर, सीधे लक्षित मीट्रिक का आरेख पहले से ही सभी सॉर्ट किए गए मानों के लिए संचित कुल के साथ बनाया जा रहा है। इस सब से क्या निष्कर्ष निकलता है? पहला यह है कि चयनित प्रतिक्रिया मॉडल के परिणामों को दृढ़ता से प्रभावित करती है, लेकिन उस पर नीचे, दूसरा निष्कर्ष, छोटे मूल्यों पर विशेष ध्यान दें, विशेष रूप से शून्य के करीब, यह स्पष्ट है कि मॉडल हमेशा शुद्ध शून्य की भविष्यवाणी करने में सक्षम नहीं होंगे, इसलिए सुधार आवश्यक है। और बड़े मूल्यों पर त्रुटियां इतनी महत्वपूर्ण नहीं हैं, सबसे पहले, वे अपेक्षाकृत छोटे हैं, और दूसरी बात, बड़े मूल्यों पर प्रतिशत त्रुटि छोटी होगी, और साथ ही यह मीट्रिक में न्यूनतम कुल योगदान देगा।

परिणामस्वरूप, कई प्रयोगों के परिणामों के अनुसार, एक स्पष्ट मार्जिन के साथ विजेता प्रतिक्रिया थी - उपयोगकर्ताओं के पूर्ण मूल्यों की जड़। एक ही समय में, अलग-अलग भविष्यवाणियों पर (1, 2, 3 विचारों द्वारा), कभी-कभी पूर्ण मूल्यों के लघुगणक वाले मॉडल भी जीते, यह प्रतिक्रियाओं में 0 के स्पष्ट प्रसार के कारण है, और, परिणामस्वरूप, कुछ प्रकार के पूर्वाग्रह के साथ लघुगणक बेहतर था। लेकिन अगर आप इसे औसत करते हैं, तो बिना किसी पूर्वाग्रह के एक साधारण जड़ ने अच्छे स्थिर परिणाम दिखाए हैं, इसलिए मैं निर्णय को जटिल नहीं करना चाहता, बल्कि एक सरल एकीकृत पद्धति पर रोकना चाहता हूं - बस लोगों की जड़।

इस तथ्य के लिए क्या कारण है कि लोगों को संक्रमण शेयरों (लगभग 2 गुना) के सापेक्ष परिणाम में काफी सुधार करता है?

जाहिर है, तथ्य यह है कि लोगों की ओर मुड़ना, दर्शकों द्वारा शेयर को गुणा करना, या एक ही बात को सभी दर्शकों द्वारा एक ही दर्शकों द्वारा विभाजित करना, हम "एक व्यक्ति" के सापेक्ष आयाम में जाते हैं, और यह देखते हुए कि मेरे मॉडल का आधार प्रतिगमन है, अंतिम अनुमान प्रत्येक भविष्यवक्ता के सापेक्ष भारित संभाव्यता अनुमान का एक प्रकार है। यह संभव है कि अगर हम पहले समूह के भविष्यवक्ताओं (उदाहरण के लिए सभी जोड़ियों के योग) से, उदाहरण के लिए, दर्शकों के लिए भविष्यवाणियों के केवल एक हिस्से को सामान्य करते हैं, तो यह सामान्यीकरण इस तरह सभी भविष्यवक्ताओं के आयामों को एक एकल रिपोर्टिंग सिस्टम (प्रति व्यक्ति) और अंतिम प्रतिगमन के करीब लाएगा। , इसकी प्रतिक्रिया, देखने की कुल संभावना के लिए प्रत्येक भविष्यवक्ता (जो एक व्यक्ति की विशेषता है) के योगदान की औसत भारित राशि से अधिक कुछ नहीं होगा, तो शायद परिणाम बेहतर होगा।लेकिन प्रतियोगिता के निर्णय के समय, मैंने इस तरफ से संपर्क नहीं किया और विशेष रूप से रूपांतरित प्रतिक्रिया के साथ काम किया।

नमूना

वास्तव में, इस खंड को उच्च रखा जाना था, क्योंकि यह इस मॉडल के कारण था कि हमें प्रतिक्रिया के प्रकार का चयन करना था और इसके लिए उपयोग किए जाने वाले आवश्यक भविष्यवाणियों (मॉडल को डेटा में समायोजित किया गया था) और, एक तरह से या किसी अन्य, विभिन्न भविष्यवक्ताओं पर स्वीकार्य एक तक पहुंचना संभव था परिणाम लगभग 15% है। लेकिन मैं चाहता था कि विशिष्ट भविष्यवक्ताओं को चुनने का कुछ औचित्य था, इसलिए, सत्यापन के लिए भविष्यवक्ताओं के संयोजन का चयन किया गया था।

मैंने प्रतिगमन मॉडल पेड़ों के परिवार से एक मॉडल का उपयोग किया, अर्थात् क्यूबिस्ट मॉडल (1992 मॉडल!), और आर में उसी नाम के पैकेज में इसका कार्यान्वयन।। बल्कि, अंतिम परिणाम मॉडल के दो सेटों का ज्यामितीय माध्य होता है, जिनमें से प्रत्येक में 3 अलग-अलग मॉडल होते हैं, लेकिन एक कैस्केड में: पिछले मॉडल की भविष्यवाणी (1 दृश्य के लिए) दूसरे और तीसरे मॉडल के लिए एक भविष्यवक्ता के रूप में इस्तेमाल किया गया था, और तीसरे के लिए एक भविष्यवक्ता के रूप में दूसरे दृश्य के लिए अंतिम भविष्यवाणी। नमूना। मॉडल के दोनों जोड़े भविष्यवक्ताओं और मध्यवर्ती समायोजन में थोड़ा भिन्न थे, और उनके ज्यामितीय माध्य का उपयोग सामान्य ज्ञान (अच्छी तरह से, एक सार्वजनिक पाठ्यक्रम के साथ) के आधार पर किया गया था, और अर्थ सरल है: जैसा कि मैंने ऊपर लिखा है, शून्य भविष्यवाणियों पर विशेष ध्यान दिया जाता है, और आमतौर पर न्यूनतम , और ज्यामितीय माध्य वास्तव में यह क्या करता है: यह भविष्यवाणी को गायब कर देता है यदि उनमें से एक पहले से ही शून्य है (और यह तार्किक है यदि एक मॉडल ने शून्य दिखाया, तो इसे रहने देंकी तुलना में हम शून्य से भविष्यवाणी "देरी" करेंगे।

और मॉडल के कैस्केड के लिए धन्यवाद, मॉडल अप्रत्यक्ष रूप से "समझा गया" (regressions के बाद से) है कि प्रत्येक बाद की प्रतिक्रिया "पूर्व अनुमान के इस" उत्तर का अनुमान लगाता है, और शेष भविष्यवक्ता उत्तर को सही करते हैं, जो पिछले एक से अधिक नहीं होना चाहिए। मैंने तीन अलग-अलग मॉडलों का भी परीक्षण किया जो व्यक्तिगत रूप से प्रतिक्रियाओं की भविष्यवाणी करते थे। दूसरे और तीसरे स्कैन में शून्य की प्रचुरता के कारण परिणाम कमजोर था, रेजगारों का परिवार 0 पर नहीं जा सका, और जब हम पिछले अनुमान के लिए एक "गाइड" जोड़ते हैं, जो पहले से 0 या इसके करीब है, तो रजिस्ट्रारों का परिणामी परिवार भी इसके आसपास के क्षेत्र में आता है। मूल्य और दूसरे और तीसरे देखने के लिए केवल प्रतिक्रिया समायोजित करता है।

इस मॉडल के बारे में क्या अच्छा है?

जब मैंने कार्य देखा, तो मुझे तुरंत इस मॉडल के बारे में याद आया, क्योंकि पिछली समस्या में से एक में तुलनीय समस्या (रैखिक संबंध और उनके सुधार) यह भी सर्वश्रेष्ठ में से एक था, और सामान्य तौर पर, हमारे यहां काफी रैखिक डेटा है, मात्राओं के बीच एक स्पष्ट संबंध है विचार (दूसरा पहले की तुलना में कम है, तीसरा दूसरे से कम है), थोड़ा डेटा है - केवल 1008 अवलोकन, भविष्यवक्ताओं की एक छोटी संख्या है, शायद कुछ प्रकार के रैखिक-टूटी निर्भरताएं। इसके अलावा, यह मॉडल बहुत तेज़ है, निर्माण में कई सेकंड लगे, इसलिए कई परिकल्पनाओं का परीक्षण करना उसके लिए सुविधाजनक था। और फिर भी, उसके पास हाइपरपरमेटर्स नहीं हैं (पड़ोसियों के अपवाद के साथ (एक अन्य पैरामीटर एक सुधारात्मक पूर्वानुमान है), जिसका मैंने उपयोग नहीं किया), जिस पर मैं पीछे हट सकता था।

एक पेड़ के लिए इस मॉडल में भविष्यवाणी कैसे है?

, , 100 ( , , 10-20 ), , , , : ( ), , ( , ) .

, , .

समायोजन

इसके अलावा, भविष्यवाणियों के छोटे समायोजन का उपयोग किया गया, अर्थात्: जब लोगों की पूर्ण संख्या से उनके शेयरों पर स्विच करना, बहुत छोटे मूल्यों की स्थिति (सकारात्मक, 0 से थोड़ा अधिक या 1 से अधिक) संभावित रूप से हुई, और यदि 1 से अधिक मूल्यों के मामले में, उनके समायोजन ने अधिक भूमिका नहीं निभाई। (शायद ऐसी कुछ उड़ानें थीं, और अगर वे थीं, तो महत्वपूर्ण नहीं), लेकिन छोटे मूल्यों के मामले में, यह अपेक्षाकृत महत्वपूर्ण था। तर्क करके, यह स्वीकार किया गया कि अगर मैं भविष्यवाणी करता हूं, उदाहरण के लिए, 1 व्यक्ति (या 0.5 लोग, गोलाई नहीं किया गया था), तो 2500 के अधिकतम दर्शकों के साथ (यह ट्रेन में ज्ञात डेटा के साथ पूरी तरह से अज्ञात है, जो वास्तव में परीक्षण डेटा पर होता है, जो कि है 0.0004 (वैसे, और ट्रेन में, न्यूनतम मूल्य 0.0004 है),इसका मतलब कहीं न कहीं इस मूल्य के आसपास के मूल्यों को 0 से कम करना आवश्यक है, और यह देखते हुए कि मेरे मॉडल एक श्रृंखला में बनाए गए हैं, अगले मॉडल का निर्माण और इसकी भविष्यवाणियां अनुमानित शून्य आदि पर निर्भर करती हैं। इसने काफी प्रभावित किया।

यह सत्यापन के लिए एक सीमा का चयन करने के लिए बहुत अधिक समझ में नहीं आया (क्योंकि मॉडल इस डेटा को वैसे भी समायोजित करता है, और मुझे वितरण पता है), इसलिए मैंने जनता (कुछ चयनित मूल्यों के लिए) पर नज़र डाली, लेकिन अंत में मैंने तीन मॉडलों में से एक के लिए छोड़ दिया 0.0005 की एक सुंदर गोलाई सीमा, और दूसरी सैद्धांतिक 0.0004 के लिए।

ऊपर से समायोजन आसान था, 0.95 में भुगतान करने के लिए 0.95 से अधिक मूल्यों, 0.95 के साथ प्रयोग किया परीक्षण डाटा की अधिकतम हिस्सेदारी के आधार पर बनाया गया था एकसबसे बड़े मार्जिन (ट्रेन में अधिकतम 0.93) के साथ, इस समायोजन का व्यावहारिक रूप से जनता पर कोई प्रभाव नहीं पड़ा (एकल प्रस्थान स्पष्ट रूप से जनता में हैं), यह विशेष रूप से निजी सुरक्षा के लिए छोड़ दिया गया था। और शून्य से संबंधित एक सुधार भी जोड़ा गया था, अगर पहले स्कैन पर भविष्यवाणी शून्य है, तो दूसरे और तीसरे स्कैन पर मॉडल की भविष्यवाणियों के बावजूद, उनकी भविष्यवाणियां 0 पर भी जाती हैं, इससे बहुत प्रभावित नहीं हुआ, कहीं न कहीं दूसरा संकेत (मॉडल व्यावहारिक रूप से है हमेशा और इसलिए यह स्वयं (पिछले एक और शून्य से कम) किया, लेकिन निजी पर सुरक्षा के लिए छोड़ दिया।

परिणाम

परिणाम प्रतिक्रिया के प्रकार और चयनित भविष्यवक्ताओं पर बहुत निर्भर थे, उदाहरण के लिए, भले ही आपने भिन्नों की भविष्यवाणी की हो, या उनके लघुगणक की तुलना में भी बेहतर हो, आप अन्य भविष्यवक्ताओं का चयन कर सकते हैं और परिणाम लगभग 16% होगा, और यदि आप निरपेक्ष मूल्यों पर जाते हैं और भविष्यवाणियों का फिर से चयन करते हैं, तब यह सब लगभग 15% शुरू हुआ, इसलिए यह मेरी आधार रेखा थी।

और वैसे, ये परिणाम पहले से ही शीर्ष पांच में रहने के लिए पर्याप्त थे, लेकिन यह "बढ़ावा" और अधिक दिलचस्प था।

और इसलिए, इन 15% में नाटकीय रूप से क्या सुधार हुआ है?

सामान्य तौर पर, बस घंटे, बस घंटे (शुरू और अंत समय) जोड़ते हुए, तुरंत 13.97% निकले, उन्हें साइन-कोसिन में बदलकर 13.44% कर दिया गया, और फिर 13.25% तक सुधार छोटे मूल्यों को शून्य तक ले जा रहा था, और ज्यामितीय माध्य दो मॉडलों का औसत, अर्थात्, यह पहले से ही परीक्षण (सार्वजनिक) के लिए अधिक ट्यूनिंग था, और इस वजह से, मुझे अभी भी जनता के साथ थोड़ा ओवरबोर्ड मिला।

इस प्रतियोगिता में, एक समाधान चुनना आवश्यक था। अब, एलसी में देखते हुए, मैं देखता हूं कि मेरा चुना हुआ समाधान निजी रूप से लगभग सबसे अच्छा है (स्थान नहीं बदला है) (सबसे अच्छा निजीकरण 0.02 प्रतिशत से कम अंक है), लेकिन यदि आप उन भावनाओं को लेते हैं जिनमें उत्तर इतना गोल नहीं था, तो निजी पर वे थोड़ा बदतर थे - 13.6%, अर्थात्, जनता के लिए कोई मजबूत वापसी नहीं थी, लेकिन इस पोस्ट-ट्यूनिंग ने बहुत बड़ी भूमिका नहीं निभाई।

नतीजतन, मुख्य आरक्षित सफलता के रूप में: भविष्यवक्ताओं एक चयनित प्रतिक्रिया मॉडल के तहत चयनित क्यूबिस्ट , कास्केड मॉडल (1-> 2-> 3) और लौकिक रों ई भविष्यवक्ताओं ( पाप , क्योंकि )।

निष्कर्ष

इस तथ्य के बावजूद कि पहले पांच स्थानों के विजेताओं ने आधुनिक (1 स्थान - एसवीआर , दूसरा स्थान - कैटबॉस्ट , तीसरा स्थान - तंत्रिका जाल , 5 वां स्थान - लाइटबैम) सहित विभिन्न मॉडलों का उपयोग किया , हालांकि इन विजेताओं के पास अधिक जटिल भविष्यवक्ता थे , मैंने काफी सरल और स्पष्ट भविष्यवाणियों पर 1992 के सबसे पुराने, (यहां तक कि एसवीआर विचार भी बाद में दिखाई दिए) मॉडल का उपयोग करके 4 वां स्थान प्राप्त किया , जो एक बार फिर पुष्टि करता है: यह हमेशा उत्पन्न भविष्यवाणियों पर चलने के लिए पर्याप्त नहीं है (अंतिम दृष्टिकोण में ये दृष्टिकोण बहुत कम थे। लगभग 20%), भविष्यवाणियों की सामान्य समझ, और प्रतिक्रिया के परिवर्तन, और मॉडल में हानि फ़ंक्शन का विकल्प (यदि कोई हो) यहाँ एक महत्वपूर्ण भूमिका निभाते हैं।

सामान्य तौर पर, प्रतियोगिता प्रासंगिक निष्कर्षों के साथ दिलचस्प और रचनात्मक निकली।

मुझे उम्मीद है कि प्रतियोगिता के अंतिम (पूर्णकालिक) चरण में, कार्य कम दिलचस्प नहीं होगा।

प्रतियोगिता वीके सुपर। ट्रैक एमएल। 4 वाँ स्थान। कैसे?