LIVE
Super_C
@Square-Creator-460a91911
@滤镜起hhbvg_看到看
Mengikuti
Pengikut
Disukai
Dibagikan
Lihat asli
Model penolakan AI untuk Konten dan Komentar
Https://www.binance.com/zh-TC/square/post/16183431638882
Https://www.binance.com/zh-TC/square/post/16183431638882
Lihat asli
qqqqqqw
Berakhir
🎙️ tttttt
14 d · 2 mendengarkan
Berakhir
🎙️ uuuu
44 d · 5 mendengarkan
Berakhir
🎙️ rrrr
05 m 05 d · 5 mendengarkan
Berakhir
🎙️ ttttt
08 d · 5 mendengarkan
Berakhir
🎙️ Testtest
01 m 22 d · 6 mendengarkan
Berakhir
🎙️ test
09 m 30 d · 11 mendengarkan
Lihat asli
Coba lihat apakah Anda masuk dalam daftar:
Nama Panggilan - Hadiah mingguan
D****r -173,86 FDUSD
四**律 - 151,39 FDUSD
币****啦 - 124,09 FDUSD
D****C -115,69 FDUSD
O****歌 - 108,74FDUSD
Nama Panggilan - Hadiah mingguan
D****r -173,86 FDUSD
四**律 - 151,39 FDUSD
币****啦 - 124,09 FDUSD
D****C -115,69 FDUSD
O****歌 - 108,74FDUSD
Lihat asli
Nomor telepon R
1
LIVE
龚有柴GongYouchai
--
Kinerja saham A baru-baru ini telah menarik perhatian luas. Karena kenaikan pesat sebelumnya, banyak orang gagal mengikuti perkembangannya. Akibatnya, mereka terlempar dari pasar dan kemudian terjebak di level yang tinggi. dan langsung terjebak di puncak gunung.
Mata uang kripto memiliki banyak kesamaan dengan pasar saham. Faktanya, Anda tidak boleh mengharapkan pasar melonjak ribuan atau bahkan puluhan ribu poin dalam semalam. Tren pasar yang paling ideal adalah pasar bullish yang stabil, dengan harga yang naik secara bertahap dan pada saat yang sama secara bertahap hilang, sehingga meningkatkan biaya penyimpanan investor.
Melihat kembali proses kenaikan Bitcoin secara bertahap dari 10,000 poin menjadi 30,000 poin, dan kemudian dari 30,000 poin menjadi 60,000 poin, setiap langkah disertai dengan penurunan. Sekarang harga Bitcoin telah mencapai 60.000 poin, langkah selanjutnya mungkin akan terus berlanjut, dan targetnya mungkin 90.000 poin atau bahkan lebih tinggi. Dalam proses ini, beberapa orang pasti akan menderita kerugian, dan beberapa orang akan memilih untuk mengurangi kerugian mereka dan meninggalkan pasar. Ini adalah keadaan pasar yang normal.
Saran saya kepada semua orang adalah Bitcoin harus menjadi landasan Anda di pasar mata uang kripto. Tidak peduli bagaimana altcoin berfluktuasi, memegang Bitcoin adalah kuncinya. Pada saat yang sama, jangan keras kepala dan fleksibel. Kami optimis terhadap prospek pasar mata uang kripto dan Bitcoin dalam jangka panjang, namun hal ini tidak menghalangi kami untuk melakukan operasi ayunan jangka pendek.
Mata uang kripto memiliki banyak kesamaan dengan pasar saham. Faktanya, Anda tidak boleh mengharapkan pasar melonjak ribuan atau bahkan puluhan ribu poin dalam semalam. Tren pasar yang paling ideal adalah pasar bullish yang stabil, dengan harga yang naik secara bertahap dan pada saat yang sama secara bertahap hilang, sehingga meningkatkan biaya penyimpanan investor.
Melihat kembali proses kenaikan Bitcoin secara bertahap dari 10,000 poin menjadi 30,000 poin, dan kemudian dari 30,000 poin menjadi 60,000 poin, setiap langkah disertai dengan penurunan. Sekarang harga Bitcoin telah mencapai 60.000 poin, langkah selanjutnya mungkin akan terus berlanjut, dan targetnya mungkin 90.000 poin atau bahkan lebih tinggi. Dalam proses ini, beberapa orang pasti akan menderita kerugian, dan beberapa orang akan memilih untuk mengurangi kerugian mereka dan meninggalkan pasar. Ini adalah keadaan pasar yang normal.
Saran saya kepada semua orang adalah Bitcoin harus menjadi landasan Anda di pasar mata uang kripto. Tidak peduli bagaimana altcoin berfluktuasi, memegang Bitcoin adalah kuncinya. Pada saat yang sama, jangan keras kepala dan fleksibel. Kami optimis terhadap prospek pasar mata uang kripto dan Bitcoin dalam jangka panjang, namun hal ini tidak menghalangi kami untuk melakukan operasi ayunan jangka pendek.
1
Lihat asli
tes
https://www.binance.com/zh-CN
Lihat asli
Dalam algoritma rekomendasi, indikator evaluasi yang umum digunakan antara lain Accuracy (akurasi), Precision (presisi), Recall (pengingatan), dan AUC (area under the curve). Metrik ini digunakan untuk mengevaluasi kinerja dan efektivitas algoritma rekomendasi.
1. Akurasi: Akurasi mengacu pada proporsi prediksi yang benar di antara semua hasil prediksi. Dalam sistem rekomendasi, akurasi menunjukkan berapa banyak hasil prediksi rekomendasi yang benar-benar menarik bagi pengguna. Akurasinya berkisar antara 0 hingga 1. Semakin tinggi nilainya, semakin akurat pula hasil rekomendasinya.
2. Presisi: Presisi mengacu pada proporsi sampel positif sebenarnya di antara semua hasil yang diprediksi sebagai sampel positif. Dalam sistem rekomendasi, presisi menunjukkan berapa banyak item yang direkomendasikan kepada pengguna yang benar-benar menarik bagi pengguna. Akurasinya berkisar antara 0 hingga 1. Semakin tinggi nilainya, semakin tinggi pula proporsi item yang diminati pengguna yang disertakan dalam hasil rekomendasi.
3. Penarikan kembali: Penarikan kembali mengacu pada proporsi seluruh sampel positif sejati yang berhasil diprediksi sebagai sampel positif. Dalam sistem rekomendasi, tingkat penarikan kembali menunjukkan berapa banyak item yang benar-benar diminati pengguna yang berhasil direkomendasikan kepada pengguna. Tingkat penarikan kembali berkisar antara 0 hingga 1. Semakin tinggi nilainya, semakin tinggi pula proporsi item yang diminati pengguna yang disertakan dalam hasil rekomendasi.
4. AUC (area under the curve): AUC adalah indikator yang digunakan untuk mengevaluasi kinerja pemeringkatan suatu sistem rekomendasi. Ini mewakili kemampuan algoritma rekomendasi untuk mengurutkan sampel positif dan negatif, yaitu probabilitas bahwa hasil yang direkomendasikan dapat diurutkan dengan benar di antara semua pasangan sampel positif dan negatif. Nilai AUC berkisar antara 0,5 hingga 1. Semakin mendekati nilai 1 maka kemampuan penyortiran semakin baik.
Perlu dicatat bahwa interpretasi dan penggunaan indikator evaluasi ini dapat bervariasi tergantung pada algoritma rekomendasi spesifik dan skenario penerapannya. Dalam aplikasi tertentu, indikator evaluasi yang sesuai dapat dipilih berdasarkan kebutuhan bisnis dan karakteristik algoritma untuk mengevaluasi kinerja algoritma rekomendasi.
1. Akurasi: Akurasi mengacu pada proporsi prediksi yang benar di antara semua hasil prediksi. Dalam sistem rekomendasi, akurasi menunjukkan berapa banyak hasil prediksi rekomendasi yang benar-benar menarik bagi pengguna. Akurasinya berkisar antara 0 hingga 1. Semakin tinggi nilainya, semakin akurat pula hasil rekomendasinya.
2. Presisi: Presisi mengacu pada proporsi sampel positif sebenarnya di antara semua hasil yang diprediksi sebagai sampel positif. Dalam sistem rekomendasi, presisi menunjukkan berapa banyak item yang direkomendasikan kepada pengguna yang benar-benar menarik bagi pengguna. Akurasinya berkisar antara 0 hingga 1. Semakin tinggi nilainya, semakin tinggi pula proporsi item yang diminati pengguna yang disertakan dalam hasil rekomendasi.
3. Penarikan kembali: Penarikan kembali mengacu pada proporsi seluruh sampel positif sejati yang berhasil diprediksi sebagai sampel positif. Dalam sistem rekomendasi, tingkat penarikan kembali menunjukkan berapa banyak item yang benar-benar diminati pengguna yang berhasil direkomendasikan kepada pengguna. Tingkat penarikan kembali berkisar antara 0 hingga 1. Semakin tinggi nilainya, semakin tinggi pula proporsi item yang diminati pengguna yang disertakan dalam hasil rekomendasi.
4. AUC (area under the curve): AUC adalah indikator yang digunakan untuk mengevaluasi kinerja pemeringkatan suatu sistem rekomendasi. Ini mewakili kemampuan algoritma rekomendasi untuk mengurutkan sampel positif dan negatif, yaitu probabilitas bahwa hasil yang direkomendasikan dapat diurutkan dengan benar di antara semua pasangan sampel positif dan negatif. Nilai AUC berkisar antara 0,5 hingga 1. Semakin mendekati nilai 1 maka kemampuan penyortiran semakin baik.
Perlu dicatat bahwa interpretasi dan penggunaan indikator evaluasi ini dapat bervariasi tergantung pada algoritma rekomendasi spesifik dan skenario penerapannya. Dalam aplikasi tertentu, indikator evaluasi yang sesuai dapat dipilih berdasarkan kebutuhan bisnis dan karakteristik algoritma untuk mengevaluasi kinerja algoritma rekomendasi.
Lihat asli
tes
Lihat asli
tes
Lihat asli
tes