【精品】机器学习模型可解释的重要及必要性

SHAP模型:可解释机器学习模型 小白进阶选手,如果写的内容有什么问题大家一起讨论学习呀 :) 模型介绍 首先个人理解SHAP模型是对机器学习模型进行解释的一个模型 上面这个图就是一个比较直观的解释 机器学习模型一般都是一个黑盒。比如某个模型要进行一些预测任务,首先对模型输入一些已知条件(Age=65,Sex=F,BP=180,BMI=40),然后模型根据输入进行训练,最终训练完的模型可以对该条件输出预测结果(Output=0.4) 所以这样模型只能得到最终的结果,至于模型内部是怎么计算的,输入的已知条件(... 阅读详情

导语:不管你是管理自己的资金还是客户资金,只要你在做资产管理,每一步的投资决策都意义重大,做技术分析或基本面分析的朋友很清楚地知道每一个决策的细节,但是通过机器学习、深度学习建模的朋友可能就会很苦恼,因为直接产出决策信号的模型可能是个黑盒子,很难明白为什么模型会产出某一个信号,甚至很多保守的私募基金把模型的可解释性放入了事前风控。其实,模型的可解释性是很容易做到的,难点在于研究员是否对模型有深入的思考和理解。

BigQuant 人工智能量化投资平台 是一站式的Python+机器学习+量化投资平台,对人工智能量化投资感兴趣的朋友可以直接前往平台进一步学习研究。

介绍

机器学习领域在过去十年中发生了显著的变化。从一个纯粹的学术和研究领域方向开始,我们已经看到了机器学习在各个领域都有着广泛的应用,如零售,技术,医疗保健,科学等等。在21世纪,数据科学和机器学习的重要目标已经转变为解决现实问题,自动完成复杂任务,让我们的生活变得更加轻松,而不仅仅是在实验室做实验发表论文。机器学习,统计学或深度学习模型工具已基本成型。像Capsule Networks这样的新模型在不断地被提出,但这些新模型被工业采用却需要几年时间。因此,在工业界中,数据科学或机器学习的主要焦点更多在于应用,而不是理论。这些模型可以在正确数据上有效应用来解决现实问题是至关重要的。

机器学习模型本质上就是一种算法,该算法试图从数据中学习潜在模式和关系,而不是通过代码构建一成不变的规则。所以,解释一个模型是如何在商业中起作用总会遇到一系列挑战。在某些领域,特别是在金融领域,比如保险、银行等,数据科学家们通常最终不得不使用更传统更简单的机器学习模型(线性模型或决策树)。原因是模型的可解释性对于企业解释模型的每一个决策至关重要。然而,这常常导致在性能上有所牺牲。复杂模型像如集成学习和神经网络通常表现出更好更精准的性能(因为真实的关系在本质上很少可以通过线性划分的),然而,我们最终无法对模型决策做出合适的解释。为了解决和探讨这些差距,本文中,我会重点解释模型可解释性的重要及必要性。

动机

作为一名在企业工作的数据科学家并时常指导他人,我发现数据科学仍然常常被视为一个黑盒,它能用“魔法”或“炼金术”提供人们想要的东西。然而,严酷的现实是,如果不对模型进行合理足够的解释,现实世界的项目很少成功。如今,数据科学家通过构建模型并为业务提供解决方案。企业可能不知道模型实现的复杂细节,却要依靠这些模型做出决策,他们确实有权提出这样的问题:“我怎样才能相信你的模型?”或“你的模型是如何决策的”?”回答这些问题是数据科学实践者和研究人员数年来一直在尝试的事情。

数据科学家知道,模型解释性与模型性能之前有一个权衡。在这里,模型性能不是运行时间或执行性能,而是模型在做出预测时的准确度。有几种模型(包括简单的线性模型甚至基于树的模型),他们的预测的原理很好直观理解,但是需要牺牲模型性能,因为它们的产生的结果偏差或者方差很高(欠拟合:线性模型),或者容易过拟合(基于树的模型)。更复杂的模型,如集成模型和近期快速发展的深度学习通常会产生更好的预测性能,但被视为黑盒模型,因为要解释这些模型是如何真正做出决策是一件非常困难的事情。

在这里插入图片描述

虽然有些人说,知道模型性能好就行了,为什么还要知道它背后的原理呢? 然而,作为人类,大多数决策基于逻辑和推理。 因此,人工智能(AI)作出决策的模式无疑会受到怀疑。 在很多现实情况下,有偏差的模型可能会产生真正的负面影响。 这包括预测潜在的犯罪、司法量刑、信用评分、欺诈发现、健康评估、贷款借款、自动驾驶等,其中模型的理解和解释是最重要的。 数据科学家、作家Cathy O’ Neil在她的著名著作《Weapons of Math Destruction》中也强调了这一点。

著名学者和作家凯特克劳福德在NIPS 2017主题演讲《The Trouble with Bias》中谈到了偏差在机器学习中的影响以及它对社会的影响。

有兴趣的读者也可以看看她在纽约时报的著名文章《 Artificial Intelligence’s White Guy Problem》,向我们展示了机器学习应用的案例,包括图像分类、犯罪风险预测、交付服务可用性等等,这些应用对黑人极不亲善。 如果我们想利用机器学习来解决这些问题,所有这些真实世界的场景都在告诉我们模型解释是多么的重要。

在过去的一年里,我在解决行业问题的同时也看到了对模型解释的需求,同时我也在写我的新书《Practical Machine Learning with Python》。在这段时间里,我有机会与DataScience.com的优秀员工进行互动,他们非常清楚在机器学习模型中人类可解释性的必要性和重要性。他们也一直在积极研究解决方案,并开发了流行的python框架Skater。后续我们将深入研究Skater,并在本系列文章中做一些实际的模型解释。

理解模型解释

机器学习(尤其是深度学习)仅在最近几年才得到广泛的行业采用。因此,模型解释作为一个概念仍然主要是理论和主观的。

任何机器学习模型都有一个响应函数,试图映射和解释自(输入)变量和因(目标或响应)变量之间的关系和模式。

模型解释试图理解和解释响应函数做出的这些决定。模型解释的关键在于透明度以及人们理解模型决策的容易程度。模型解释的三个最重要的方面解释如下。

  1. 什么主导了模型预测? 我们应该找出特征的相互作用,以了解在模型的决策策略中哪些特征可能是重要的。这确保了模型的公平性。

  2. 为什么模型做出某个特定决策? 我们还应该能够验证为什么某些关键特征在预测期间推动某个模型所做出的某些决定。这确保了模型的可靠性。

  3. 我们如何相信模型预测? 我们应该能够评估和验证任何数据点以及模型如何作出决策。对于模型按预期运行的直接利益相关者来说,这应该是可证明的,并且易于理解。这确保了模型的透明度。

可解释性是指人(包括机器学习中的非专家)能够理解模型在其决策过程中所做出的选择(怎么决策,为什么决策和决策了什么)。

在模型比较时,除了模型的性能,如果一个模型的决策比另一个模型的决策更容易被人类理解,则说该模型比另一个模型具有更好的可解释性。

模型解释的重要性

在解决机器学习问题时,数据科学家通常倾向于注意模型性能指标,如准确性、精确度和召回率等(毫无疑问,这很重要!)。但是,度量标准只能说明模型预测性决策的一部分内容。随着时间的推移,由于环境中各种因素造成的模型概念漂移,性能可能会发生变化。因此,了解什么促使模型作出某些决定是极为重要的。

我们中的一些人可能会认为模型已经工作得很好了,为什么还要深入挖掘呢?一定要记住,当解决现实世界中的数据科学问题时,为了让企业相信你的模型预测和决策,他们会不断提问“我为什么要信任你的模型?”,这非常合理。如果一个人患有癌症或糖尿病,如果一个人可能对社会构成风险,或者即使客户流失,您是否会满意于只是预测和做出决定(如何)的模型?也许另外一种会更好,如果我们可以更多地了解模型的决策过程(为什么以及如何),我们可能更喜欢它。这为我们提供了更多的透明度,说明为什么模型会做出某些决定,在某些情况下可能会出错,并且随着时间的推移它可以帮助我们在这些机器学习模型上建立一定的信任度。

这一部分关键的一点是,现在是时候停止将机器学习模型视为黑盒子,不仅尝试和分析数据,而且还要分析模型如何做出决策。实际上,走向这条道路的一些关键步骤是由著名论文《Why Should I Trust You?》(解释了任意分类器的预测)”开始的,由MT Ribeiro,S. Singh和C. Guestrin在SIGKDD 2016上介绍了LIME(Local Interpretable Model-Agnostic Explanations)(局部可解释模型 - 不可知论解释)的概念。

他们在论文中提到了一些值得记住的关键点。

然而,理解预测背后的原因在评估信任方面非常重要,如果计划基于预测采取行动,或者选择是否部署新模型,则对模型的信任是至关重要的。 无论人类是直接使用机器学习分类器作为工具还是在其他产品中部署模型,仍然存在一个至关重要的问题:如果用户不信任模型或预测,他们将不会使用它。

这是我们在本文中多次讨论的内容,也是决定数据科学项目在业界成功与否的关键因素之一。这就推动了模型解释的必要性和重要性。

模型解释方法的标准

对于模型解释方法的分类有特定的标准。在Christoph Molnar的“Interpretable Machine Learning,Making Guide for Making Black Box Models Explainable”中提到了一个很好的指导标准:

  • 内在或事后? 内在解释性是关于利用机器学习模型的,它本质上是解释性的(像线性模型、参数模型或基于树的模型)。事后解释性意味着选择和训练一个黑盒模型(集成方法或神经网络)并在训练后应用可解释性方法(特征重要性,部分依赖关系图)。我们将在我们的系列文章中更多地关注事后模型可解释的方法。

  • 是针对某个模型的还是通用的? 特定于模型的解释工具对固有模型解释方法非常具体,这些解释方法完全取决于每个模型的能力和特征。这可以是系数,p值,与回归模型相关的AIC分数,决策树的规则等等。通用的模型解释方法还是依赖于事后对模型的分析,可用于任何机器学习模型。通常通过分析特征输入和输出对来运行。根据定义,这些方法无法访问任何模型内部,如权重,约束或假设。

  • 本地还是全局? 这种解释的分类会谈到解释方法是解释单个预测还是整个模型行为?或者如果范围介于两者之间?我们将尽快讨论更多关于局部和全局的解释。

这并不是对可解释方法进行分类的一套完整的标准,因为这仍然是一个新兴的领域,但这可以是一个很好的标准,可以在多种方法之间进行比较和对比。

模型解释的范围

我们如何界定解释的范围和界限?一些有用的方面可以是模型的透明度,公平性和可靠性。本地还是全局模型解释是定义模型解释范围的明确方法。

在这里插入图片描述

全局解释性

这就是要试图理解“模型如何做出预测?”和“模型的子集如何影响模型决策?”。为了一次理解和解释整个模型,我们需要全局解释。全局可解释性是指能够基于完整数据集上的依赖(响应)变量和独立(预测)特征之间的条件相互作用来解释和理解模型决策。试图理解特征的相互作用和重要性,往往是理解全局解释的好的一步。当然,在尝试分析交互时,在超过两个或三个维度后对特征进行可视化变得非常困难。因此,经常查看可能会影响全局知识模型预测的模块化部分和特征子集,对全局解释是有所帮助的。完整的模型结构知识,假设和约束是全局解释所必需的。

局部解释性

这就是要了解“为什么模型会为单个实例做出特定决策?”以及“为什么模型会为一组实例做出特定决策?”。对于局部的可解释性,我们不关心模型的内在结构或假设,我们把它当作一个黑箱子。为了理解单个数据点的预测决策,我们专门关注该数据点,并在该点附近的特征空间中查看局部子区域,并尝试根据此局部区域了解该点的模型决策。局部数据分布和特征空间可能表现完全不同,并提供更准确的解释而不是全局解释。局部可解释模型 - 不可知论解释(LIME)框架是一种很好的方法,可用于模型不可知的局部解释。我们可以结合使用全局解释和局部解释来解释一组实例的模型决策。

模型透明度

这就是要了解“从算法和特征中创建模型的过程如何?”。我们知道,典型的机器学习模型都是关于利用一个算法在数据特征之上构建一个表示,将输入映射到潜在的输出(响应)。模型的透明性可以尝试理解模型如何构建的更多技术细节,以及影响其决策的因素。这可以是神经网络的权值,CNN滤波器的权值,线性模型系数,节点和决策树的分割。然而,由于企业对这些技术细节可能并不十分熟悉,试图用不可知的局部和全局解释方法来解释模型决策有助于展示模型的透明度。

结论

模型可解释是一个对现实世界机器学习项目非常重要的一件事情。让我们试着去研究人类可解释的机器学习,让每个人都打开机器学习模型的黑箱,并帮助人们增加对模型决策的信任。

写在最后:模型解释性很重要,这能够加深我们对模型的信心,尤其是在金融市场中,当模型持续回撤时,信心比黄金还重要。之前有一个私募团队使用了StockRanker策略,但是迟迟不肯上实盘,后来在弄清楚模型的理论原理和每一步细节、处理流程后,终于有信心上实盘,实盘前期遇到回撤也能明白是正常情况,并非模型预测失效,扛住前期的回撤后策略净值开始上升。因此,机器学习模型可解释很重要,模型也是可以解释的,只是需要研究员付出更多的心血。

参考资料

  • 《Human Interpretable Machine Learning (Part 1) — The Need and Importance of Model Interpretation》
  • 《一文深入理解机器学习模型的可解释性的必要性和重要性》

作者:Dipanjan (DJ) Sarkar
翻译:caoxiyang

本文由 BigQuant人工智能量化投资平台 原创推出,版权归BigQuant所有,转载请注明出处。

中文-可解释的机器学习-黑盒模型可解释性理解指南 本书向你介绍了如何使 (监督) 机器学习模型可解释。虽然本书中包含⼀些数学公式,但是即使没有公式,你也需要能够理解这些⽅法背后的思想。本书不适合机器学习初学者。如果你不熟悉机器学习,则有很多书籍和其他资源可以学习基础知识。关于机器学习的⼊门学习,我推荐在线学习平台 coursera.com 上的 Hastie, Tibshirani 和 Friedman[1] 所著的《The Elements of StatisticalLearning》⼀书和 Andrew Ng 的 “机器学习” 在线课程。... 阅读详情

相关推荐

一文搞定机器学习中的“模型可解释性”

机器学习是最近许多科技进步的核心。随着计算机在围棋等游戏中击败专业人士,许多人开始询问,机器是否也能成为更好的司机,甚至更好的医生。如果⼀个机器学习模型运⾏良好,为什么我们仅仅信任该模型⽽忽略为什么做出特定的决策呢?诸如分类准确性之类的单⼀指标⽆法完整地描述⼤多数实际任务。当涉及到预测模型时,需要作出权衡:**你是只想知道预测是什么?**例如,客户流失的概率或某种药物对病⼈的疗效。**还是想知道为什么做出这样的预测?**这种情况下可能为了可解释性付出预测性能下降的代价。

全网粉丝30W+,CSDN、稀土掘金人工智能领域签约作者,人工智能、大模型、Python 爬虫,商务合作,请私信沟通。 2598

机器学习6种模型可解释性方法汇总,你最常用哪一种?

目前很多机器学习模型可以做出非常好的预测,但是它们并不能很好地解释他们是如何进行预测的,很多数据科学家都很难知晓为什么该算法会得到这样的预测结果,这其实是非常致命的。如果我们无法知道某个算法是如何进行预测,很难基于模型知道业务发展。 本文介绍目前常见的几种可以提高机器学习模型的可解释性的技术,包括它们的相对优点和缺点。我们将其分为下面几种: Partial Dependence Plot (PDP); Individual Conditional Expectation (ICE) Permut

Python学习与数据挖掘 1万+

ML.NET与C#在Jupyter笔记本中的应用:机器学习实践教程

ML.NET 是一个跨平台的开源机器学习框架,由微软开发,旨在将机器学习的能力带给.NET开发者。开发者可以使用C#或F#等.NET支持的语言,轻松地将机器学习模型集成到应用程序中,无论是Web、移动还是桌面应用。ML.NET允许开发者从数据准备、模型训练、评估、优化到最终的模型部署,整个机器学习工作流全部在.NET环境中完成。随着人工智能和机器学习技术的快速发展,ML.NET框架的设计初衷是为了解决.NET开发者在构建智能应用程序时面临的挑战。

weixin_33750664的博客 1221

【机器学习】哪些模型可以解释?

模型解释是有监督机器学习中的一项重要任务。解释模型对于理解支配数据的动态至关重要。让我们看看一些易于解释的模型。为什么我们需要解释我们的模型?数据科学家的角色是从原始数据中提取信息。他们不是工程师,也不是软件开发人员。他们挖掘内部数据,从矿井中提取黄金。了解模型的作用和工作原理是这项工作的一部分。黑箱模型虽然有时比其他模型工作得更好,但如果我们需要从数据中学习一些东西,那就不是一个好主意。相反,一...

fengdu78的博客 617

ML-Agent:Unity机器学习插件的全面解析

ML-Agent是一个开源的机器学习插件,使得开发者可以通过Unity来训练智能体。这使得在游戏和模拟环境中,使用增强学习技术成为可能,为AI研究和应用提供了全新的实验平台。ML-Agent 为 Unity 环境提供了强大的机器学习工具,其核心功能的设计允许开发者构建和训练智能体,以及在复杂的环境中进行模拟训练。在本章中,我们将详细介绍 ML-Agent 的主要功能,包括多智能体系统支持、智能体间通信机制、延迟奖励机制、环境同步更新、内置评估工具,以及插件的可扩展性。

weixin_35433448的博客 1627

iOS 11 Core ML框架深入解析与实践

Core ML是苹果公司推出的机器学习框架,旨在让开发者轻松地将机器学习模型集成到iOS、macOS、watchOS和tvOS应用中。它支持广泛的机器学习任务,包括分类、回归、聚类等,并提供了一系列优化工具,以便开发者能高效地进行模型训练和部署。Core ML(Core Machine Learning)框架自2017年随iOS 11推出以来,已经成为苹果生态系统中进行机器学习模型部署的首选工具。

weixin_42581003的博客 1473

可解释机器学习(Explainable/ Interpretable Machine Learning)的原理和应用(李宏毅视频课笔记)

文章目录0 前言1 Introduction of Explainable/ Interpretable ML1.1 Why we need Explainable ML?1.2 Interpretable v.s. Powerful2 Local Explanation2.1 Introduction of Local Explanation2.1 Removing Way2.2 Modifying Way2.3 Limitation of Gradient based Approaches2.4 At

双鸭山•克里菲斯•北方孤星之堕 4885

numpy-ml:深度解析基于numpy的轻量级机器学习库

numpy(Numerical Python)是一个开放源码的Python库,专注于提供高性能的多维数组对象及处理这些数组的工具。它封装了许多高级数学函数,能够在数组上进行高效的向量化运算,从而简化了复杂的数据分析任务。在数据科学与机器学习领域,对于算法的效率和易用性有着极高的要求。numpy-ml库应运而生,旨在为机器学习算法的实现提供一种高效且易于使用的途径。其背后的核心理念是利用numpy所提供的强大数组操作能力,为常见的机器学习算法提供简洁、高效的实现方式。

weixin_30356433的博客 1148

中文版-可解释的机器学习-黑盒模型可解释性理解指南

本书向你介绍了如何使 (监督) 机器学习模型可解释。虽然本书中包含⼀些数学公式,但是即使没有公式,你也需要能够理解这些⽅法背后的思想。本书不适合机器学习初学者。如果你不熟悉机器学习,则有很多书籍和其他资源可以学习基础知识。关于机器学习的⼊门学习,我推荐在线学习平台 coursera.com 上的 Hastie, Tibshirani 和 Friedman[1] 所著的《The Elements of StatisticalLearning》⼀书和 Andrew Ng 的 “机器学习” 在线课程。...

lqfarmer的博客 1190

Swift与iOS Core ML开发实战指南

Core ML是苹果公司推出的机器学习框架,它使得开发者能够轻松地在自己的应用程序中集成机器学习模型。这一框架支持广泛的数据类型和算法,并且能够自动优化模型以适应不同的设备,无论是iPhone、iPad还是Mac,都能提供流畅的用户体验。随着机器学习的不断发展,越来越多的工具被开发出来帮助开发者将训练好的模型转换为Core ML模型。一个核心工具是Apple提供的coremltools Python库。它支持多种开源框架的模型转换,比如TensorFlow、Keras、scikit-learn等。

weixin_28771751的博客 1034

将ONNX图像分类模型高效转换为Core ML格式实战指南

模型能跑只是第一步,跑得快才是王道。某些操作实在无法映射?那就自己实现!# 自定义转换逻辑...iOS 端配合 Metal Shader 或 Swift 实现,灵活性拉满。把.mlmodel拖进 Xcode,它会自动生成强类型接口,连初始化都不用手写:简洁得不像话 😍真正的高手,不会每次都手动转换。建议建立 CI/CD 流程,每次提交模型自动执行:run: |再加上 fallback 机制:} else {这才是现代 AI 工程化的正确姿势 ✅🎯。

weixin_35972981的博客 1238

LLM大模型】转行大模型:趋势、必要性及可行路径

在当今这个数字化快速发展的时代,人工智能(AI)尤其是大规模预训练模型(大模型),已经成为推动科技进步和产业变革的重要力量。对于各行各业的技术从业者而言,转行大模型不仅是适应行业趋势的需要,更是自我提升与职业发展的必经之路。转行大模型的必要性市场需求的增长:随着人工智能技术的普及,企业越来越重视大模型所带来的业务价值,无论是通过提升产品智能化水平,还是优化内部运营效率,大模型都展现出了不可替代的作用。因此,掌握大模型技术的工程师在市场上供不应求。

2401_84206094的博客 1335

基于机器学习的物体识别实战:使用Core ML与Vision框架实现iOS端智能识别

物体识别作为计算机视觉的核心任务之一,旨在从图像或视频中定位并分类特定对象。其技术演进经历了传统特征提取(如SIFT、HOG)到深度学习主导的端到端建模,显著提升了复杂场景下的识别精度与鲁棒性。当前,基于卷积神经网络(CNN)的模型已成为主流方案,广泛应用于智能安防、自动驾驶、工业质检与移动AR等领域。尤其在移动端,结合设备端推理框架(如Apple的Core ML),物体识别可在保障隐私与低延迟的前提下实现高效部署,为实时交互类应用提供关键技术支撑。

weixin_42573757的博客 937

ml-visuals:[特殊字符]可复用的机器学习可视化图形与模板工具库

最后,我们聊聊最容易被忽视但也最关键的环节:如何把图放进论文里。多少人经历过这种情况?辛辛苦苦导出高清 PNG,插入 Word 后发现字体变了;转 PDF 发现分辨率不够;投 NeurIPS 被拒只因用了 bitmap 字体……ml-visuals 提供了完整的出版级支持:默认输出 SVG/PDF 矢量格式内置 IEEE/ACM/CVPR 等模板主题支持 TikZ 导出,实现 LaTeX 完全控制CLI 工具批量转换与合规检查dpi=300特别是。

weixin_36074800的博客 407

基于Spark机器学习的电影推荐系统实战教程——ml-100k数据集

本文还有配套的精品资源,点击获取 简介:本文详细介绍如何使用Spark的机器学习库MLlib构建电影推荐系统,并以ml-100k数据集为例,指导读者完成推荐系统的各个阶段,包括数据预处理、协同过滤模型构建、模型评估与调优、推荐生成和在线服务集成等。读者通过学习此课程,将理解推荐系统的核心算法原理,并掌握Spark在大数据处理中的应用。 1. Spark在推荐系统中的应...

weixin_29050829的博客 2211

Python开发者必备:Comet_ml-2.0.12实验管理工具

本文还有配套的精品资源,点击获取 简介:Python库Comet_ml-2.0.12提供了机器学习和深度学习项目的实验跟踪、模型优化与协作功能。它通过记录、可视化实验数据帮助开发者管理复杂项目,自动比较模型性能以减少手动调参工作,并支持团队协作与版本控制,从而提高机器学习项目的效率和质量。 1. 实验跟踪与管理的重要性 实验跟踪的必要性 在深度学习项目中,...

weixin_35019679的博客 2694

深入探索SCMA-ML-master:非正交多址接入技术与ML检测算法

SCMA的核心思想是利用稀疏编码的方式来实现多用户信号的非正交叠加传输,通过高效的多址接入来优化频谱资源的使用。其基本原理是在发送端对信号进行稀疏编码,并在接收端采用复杂的检测算法来解码,确保信息能够被正确分离。最大似然(Maximum Likelihood,ML)检测算法是一种在已知某种模型参数的情况下,通过观测数据来寻找最有可能产生这些数据的参数值的方法。其核心思想是选取概率密度函数(或概率质量函数)在给定观测数据下取得最大值的参数作为估计值。

weixin_42476987的博客 1081

CPG控制网络入门

从线性变换开始推导

妖米的博客 5046
上一篇: 能否通过历史股价预测未来股价?
下一篇: 摩根大通的最新指南——将AI应用于算法交易
BigQuant
博客等级 码龄8年 971粉丝 116原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值