Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1280
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Ich bleibe bei meiner Meinung: Es gibt zwei unbestreitbare Verwandte des ehrwürdigen KsanKsanych (Fa). 1) Aljoschenka, der Sohn, der von verärgerten Investoren aufgegriffen wurde, und 2) Enkel Kesha, der jedem, der die Werke seines Großvaters liest, Milliarden verspricht.
Bitte verwechseln Sie die beiden nicht!
Interessante Meinung eines StarCraft 2-Spieleprofis zu den Vorgängen. Vor allem wegen des Betrugs im letzten Spiel. Wir sollten nicht vergessen, dass die Organisation solcher Spektakel durch große Unternehmen in erster Linie eine Marketingmaßnahme ist. Das Richtige wäre, ihre Aktien für dieses Ereignis intraday zu kaufen.
Wenn Sie daran interessiert sind, können Sie die Wichtigkeitstabellen nach Permutation und tatsächlicher Prädiktorentfernung vergleichen
Merkmal, absoluter Wert, Bezugswert * 100
1) 17 0.01097643069603077 99
2) 30 0.006790004907923086 61
3) 61 0.004684715336508855 42
4) 2 -0.0002692516957934765 -2
5) 59 -0.0006465367565449825 -5
6) 34 -0.0006503517167333328 -5
7) 5 -0.001340840857516234 -12
8) 41 -0.001504570905518282 -13
9) 15 -0.001971414359495396 -17
10) 49 -0.002008411960897655 -18
11) 6 -0.002027305543154334 -18
12) 55 -0.002292162160081906 -20
13) 47 -0.002398304141661728 -21
14) 29 -0.003010337993465118 -27
15) 51 -0.004160368206123241 -37
16) 45 -0.004454751375256194 -40
17) 31 -0.004888451443569572 -44
18) 0 -0.00493201061731692 -44
19) 48 -0.005610904510929521 -51
20) 3 -0.005764515487066274 -52
21) 57 -0.005965409431599886 -54
22) 10 -0.006056332510674986 -55
23) 35 -0.006367565963429744 -58
24) 58 -0.006638024809636447 -60
25) 43 -0.007371220115761079 -67
26) 9 -0.007420288551508419 -67
27) 21 -0.007838972444520739 -71
28) 4 -0.007840269966254226 -71
29) 44 -0.008004942292835771 -72
30) 16 -0.008290498838290847 -75
31) 36 -0.008995332552560964 -81
32) 50 -0.009024243316015798 -82
33) 27 -0.009105675807931257 -82
34) 24 -0.01027361001595535 -93
35) 7 -0.01052719088846928 -95
36) 26 -0.01082406611271462 -98
37) 18 -0.01155880619525071 -105
38) 60 -0.01156309946744785 -105
39) 56 -0.01203862169736691 -109
40) 1 -0.01203862169736691 -109
41) 25 -0.0122272134638268 -111
42) 38 -0.01241174339783128 -113
43) 62 -0.01249635462233889 -113
44) 28 -0.01266702047388507 -115
45) 11 -0.01359028620740281 -123
46) 39 -0.01404126970316556 -127
47) 20 -0.01439737068264699 -131
48) 52 -0.01439756725211659 -131
49) 42 -0.01444571512808378 -131
50) 22 -0.01551886866180208 -141
51) 33 -0.01615798882405024 -147
52) 12 -0.01905830020505599 -173
53) 14 -0.01926462731981513 -175
54) 37 -0.01995084300903066 -181
55) 40 -0.020510512124551 -186
56) 19 -0.021415509666178 -195
57) 63 -0.02151966963894812 -196
58) 54 -0.02355949029687353 -214
59) 64 -0.02507021252693609 -228
60) 32 -0.02702794503628224 -246
61) 8 -0.02803580711831312 -255
62) 13 -0.03090123190409769 -281
63) 46 -0.03344678821960098 -304
64) 53 -0.03558721250407129 -324
65) 23 -0.04407219798162174 -401
Wichtigkeit der Prädiktoren nach der Permutationsmethode
0) 0,043401, absoluter Wert, bezogener Wert * 100
1) 55 0.04340158682225395 99
2) 61 0.02562763893643727 59
3) 58 0.02546470705535522 58
4) 56 0.02529445125891924 58
5) 59 0.02513377163594621 57
6) 57 0.02208166602125552 50
7) 64 0.02019285632774162 46
8) 60 0.0160907362360114 37
9) 43 0.0125324616278514 28
10) 35 0.01239249171969528 28
11) 13 0.01233138008911674 28
12) 24 0.01170363669371338 26
13) 62 0.01162424331038356 26
14) 63 0.01149019906346291 26
15) 45 0.01127777161657609 25
16) 34 0.01085020622422195 24
17) 46 0.01061844113396632 24
18) 20 0.01007598993178244 23
19) 2 0.009874770749918993 22
20) 19 0.00973881761283335 22
21) 1 0.009100774421598679 20
22) 32 0.009027289557555301 20
23) 9 0.008970631365350451 20
24) 54 0.00802484531062575 18
25) 8 0.007874015748031482 18
26) 53 0.007388216046985141 17
27) 41 0.006952887365763216 16
28) 12 0.0065631543248105 15
29) 21 0.006511968996697037 15
30) 31 0.006445981174562854 14
31) 30 0.005790682414698156 13
32) 42 0.005742446472030011 13
33) 22 0.003590654957257189 8
34) 4 0.003590358440616087 8
35) 38 0.00350243104857792 8
36) 10 0.00350243104857792 8
37) 29 0.003392223030944636 7
38) 5 0.003253553701826867 7
39) 52 0.003019071994331074 6
40) 11 0.002622140078149371 6
41) 15 0.001506974549529611 3
42) 49 0.001178236999850979 2
43) 27 0.000646877104963639 1
44) 23 0.0001088642328799794 0
45) 0 -0.0007427642973199949 -1
46) 36 -0.0008086747680855211 -1
47) 18 -0.001719116017552688 -3
48) 16 -0.003868408494392753 -8
49) 7 -0.004264601904658535 -9
50) 25 -0.004436590312574581 -10
51) 44 -0.004549722466056144 -10
52) 17 -0.005094229165450173 -11
53) 33 -0.007112771718937178 -16
54) 50 -0.008009653155771651 -18
55) 6 -0.008725562553674474 -20
56) 26 -0.01000190433609049 -23
57) 47 -0.01158648521535965 -26
58) 3 -0.01809942562041326 -41
59) 51 -0.01843159353630121 -42
60) 39 -0.02375369534904158 -54
61) 40 -0.02659139305699997 -61
62) 37 -0.02970174182772609 -68
63) 48 -0.031083105562031 -71
64) 14 -0.03323633066169551 -76
65) 28 -0.03952723165321592 -91
Interessanterweise zeigt fast die Hälfte der Prädiktoren eine negative Bedeutung, wenn sie tatsächlich entfernt werden, d.h. wenn sie entfernt werden, wird der Baumfehler reduziert, d.h. sie sind eindeutig verrauscht. Aber die lauteste Variante ist nur 0,5 % schlechter.
Und die Tatsache, dass die Reihenfolge der Wichtigkeit überhaupt nicht ähnlich ist, führt zu der Idee, dass es immer noch besser ist, die verrauschten Prädiktoren durch Aufzählung auszusieben.
Vielleicht, weil man mit einer Art Benchmark oder einem bekannten Beispiel vergleichen muss, nicht mit heiß und leicht.
+Geschwindigkeit ist sehr wichtig. Da alglib keine Importe eingebaut hat, denke ich, dass die Permutation im Moment optimal ist (ich habe eine Reihe von Brute-Force-Methoden ausprobiert)
Warum brauchen Sie den Gesamtfehler, haben Sie eine gleichgewichtige binäre Stichprobe? Ich tendiere eher dazu, Wege zu finden, die Genauigkeit der Klasse 1 zu verbessern.
Warum brauchen Sie einen gemeinsamen Fehler, haben Sie eine gleichgewichtige binäre Stichprobe?
Häufiger Fehler ist nicht ein einzelnes Blatt, sondern ein Baum/Wald.
Ich tendiere eher dazu, Wege zu finden, die Genauigkeit der Klasse 1 zu verbessern.
Ich auch)
Vielleicht, weil man mit einer Art Benchmark oder einem bekannten Beispiel vergleichen muss, nicht mit heiß und leicht.
+Geschwindigkeit ist sehr wichtig. Da alglib keine Importe eingebaut hat, denke ich, dass Shuffling jetzt optimal ist (ich habe einige Brute-Force-Methoden ausprobiert).
Bei verschiedenen Durchläufen desselben Baums ändert sich aufgrund der Zufälligkeit der Permutation auch die Reihenfolge der Bedeutung
Ein weiteres kleines Experiment mit Permutation.
Bei verschiedenen Durchläufen desselben Baums ändert sich aufgrund der Zufälligkeit der Permutation auch die Reihenfolge der Bedeutung
An welcher Stichprobe testen Sie das Ergebnis der Permutationsmethode, an der trainierten oder an der Teststichprobe?
Ich verstehe, dass Lärm etwas ist, das bei einer Probe außerhalb der Ausbildung überhaupt nicht mehr funktioniert. Aber ich glaube nicht, dass es um einen einzelnen Prädiktor geht, sondern eher um Beziehungen/Blätter. D.h. es gibt zwei Möglichkeiten - der Prädiktor ist unsinnig oder er wird einfach nicht richtig verwendet, d.h. die Blätter sind unsinnig.
An welcher Stichprobe testen Sie das Ergebnis der Permutationsmethode, an der trainierten oder an der Teststichprobe?
Ich verstehe, dass Lärm etwas ist, das bei einer Probe außerhalb der Ausbildung überhaupt nicht mehr funktioniert. Aber ich glaube nicht, dass es um einen einzelnen Prädiktor geht, sondern eher um Beziehungen/Blätter. D.h. es gibt zwei Möglichkeiten - der Prädiktor ist unsinnig oder er wird einfach nicht richtig genutzt, d.h. die Blätter sind unsinnig.
Zum Lernen, da Bäume nicht ausgebildet sind. Bei übertrainierten Bäumen sollte sie auf dem Testbaum liegen, da dieser sich auch an das Rauschen erinnern würde.
Bei ungeübten Bäumen spielt das keine Rolle.
Aber die Größe der Stichprobe spielt eine Rolle. Je größer sie ist, desto repräsentativer ist sie. Und mein Übungsgelände ist dreimal so groß.
---------
Laut https://www.mql5.com/ru/blogs/post/723619 macht eine große repräsentative Stichprobe den Ausgleich zwischen den Klassen überflüssig und reduziert die zeitliche Zufälligkeit. Übertragen Sie dies auf die nicht ausgebildeten Bäume.
Aber vielleicht irre ich mich, und ich muss die Signifikanz der Prädiktoren auf dem Testdiagramm überprüfen.