Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3317
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Max, [26 окт. 2023 г., 19:03:50]:
Оптимальная модель должна соответсвовать глобальному минимуму в этом случае, или нет?
ChatGPT & Midjourney | AI bot, [26 окт. 2023 г., 19:03:54]:
Нет, оптимальная модель не обязательно должна соответствовать глобальному минимуму. В некоторых случаях, особенно при наличии шума в данных, глобальный минимум может быть достигнут за счет переобучения модели. Такая модель может показывать высокую точность на обучающих данных, но плохо обобщать данные на новые примеры.
Вместо этого, оптимальная модель должна находиться вблизи глобального минимума, но при этом иметь низкую дисперсию и смещение. Такая модель будет давать стабильные и точные предсказания на новых данных. Поэтому важно учитывать не только точность модели на обучающих данных, но и ее способность обобщать данные на новые примеры при выборе оптимальной модели.
Спроси у GPT, когда нужно остановить обучение? Сам ты на этот вопрос ещё не ответил.
Не совсем понимаю вопрос. Уточните, пожалуйста.
Значит мои выкладки не верны, и ответ "нет" - у Вас другое представление о процессе.
что является критерием останова при обучении нейронных сетей в частности и машинном обучении вообще?
GPT Chat bot, [26.10.2023 13:19]
Критерии останова в обучении нейронных сетей и машинном обучении вообще зависят от задачи и алгоритма обучения. Некоторые общие критерии останова включают:
1. Достижение достаточно низкой ошибки: Можно определить пороговое значение ошибки, ниже которого считается, что модель достигла достаточной точности. Обучение останавливается, когда ошибка на валидационном наборе данных или тестовом наборе данных достигает этого значения.
2. Сходимость: Можно остановить обучение, когда модель перестает значительно улучшаться после каждой эпохи обучения или после определенного числа итераций. Здесь можно использовать различные критерии, такие как изменение ошибки между эпохами, изменение весов модели или изменение предсказанных значений.
3. Превышение лимита времени: Обучение может быть остановлено, если время обучения превышает заданный пороговый уровень.
4. Ранняя остановка (Early Stopping): Можно использовать стратегию ранней остановки, при которой обучение останавливается, когда производительность модели на валидационном наборе данных или тестовом наборе данных начинает ухудшаться после некоторого числа эпох обучения.
5. Достижение максимального числа эпох: Можно ограничить обучение определенным числом эпох, после чего остановить процесс обучения.
6. Определенное количество итераций: В некоторых случаях можно задать определенное количество итераций, после которого обучение будет остановлено.
7. Контроль потерь на тренировочном наборе данных: Запуск обучения может быть прекращен, если функция потерь на тренировочном наборе данных достигает определенного значения или перестает снижаться.
Выбор критерия останова зависит от конкретной задачи, доступных данных и алгоритма обучения. Часто рекомендуется использовать комбинацию различных критериев для достижения наилучших результатов.
Андрей, [26.10.2023 13:23]
можно ли сказать, что обучение есть суть оптимизации, цель которой достигнуть глобального экстремума?
GPT Chat bot, [26.10.2023 13:23]
Да, можно сказать, что обучение в машинном обучении можно рассматривать как процесс оптимизации, целью которого является достижение глобального экстремума. Обучение модели сводится к нахождению комбинации параметров (весов или коэффициентов), которая минимизирует функцию потерь или максимизирует функцию оценки.
Функция потерь - это мера расхождения между предсказанными значениями модели и фактическими значениями. Цель состоит в том, чтобы найти такие значения параметров модели, при которых функция потерь достигает минимума (глобального экстремума) для достижения наилучшей предсказательной способности модели.
Оптимизационные алгоритмы, такие как стохастический градиентный спуск, генетические алгоритмы или Charged System Search, применяются для обновления параметров модели и поиска оптимального решения. Эти алгоритмы стремятся найти глобальный экстремум или хороший локальный экстремум функции потерь, чтобы достичь наилучшей производительности модели.
Таким образом, обучение в машинном обучении можно рассматривать как оптимизацию, где цель состоит в нахождении комбинации параметров модели, которая минимизирует функцию потерь и достигает наилучшей производительности модели.
Спроси у GPT, когда нужно остановить обучение? Сам ты на этот вопрос ещё не ответил.
Я знаю ответы даже на те вопросы, которые ты еще не придумал задать. Мотай на ус. Когда появится конструктив - пообщаемся.
Значит мои выкладки не верны, и ответ "нет" - у Вас другое представление о процессе.
Почему же нет. Да. У меня не другое представление, просто многие не любят, почему то, называть вещи своими именами.
Когда именно остановить обучение - вопрос выбора методики, я лишь подчеркивал, что без обнаружения глобального экстремума остановить обучение невозможно (ну либо принудительно, что не будет иметь практически полезного смысла).
Почему же нет. Да. У меня не другое представление, просто многие не любят, почему то, называть вещи своими именами.
Когда именно остановить обучение - вопрос выбора методики, я лишь подчеркивал, что без обнаружения глобального экстремума остановить обучение невозможно (ну либо принудительно, что не будет иметь практически полезного смысла).
Точка раннего останова - это не точка глобального экстремума.
Я знаю ответы даже на те вопросы, которые ты еще не придумал задать. Мотай на ус. Когда появится конструктив - пообщаемся.
Опять грубишь? Знать то может и знаешь, но не показываешь почему-то.
Как в том анекдоте:
-Девушка, у Вас грудь есть?
-Есть!
-А почему не носите?
Точка раннего останова - это не точка глобального экстремума.
Опять грубишь? Знать то может и знаешь, но не показываешь почему-то.
Как в том анекдоте:
-Девушка, у Вас грудь есть?
-Есть!
-А почему не носите?
у меня нет потребности никому ничего показывать, я не эксгибиционист. Я бы не зазнавался на твоем месте.
у меня нет потребности никому ничего показывать, я не эксгибиционист. Я бы не зазнавался на твоем месте.
кто из нас зазнался?
Я знаю ответы даже на те вопросы, которые ты еще не придумал задать. Мотай на ус