Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3339
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
Geben Sie die Gewohnheit auf, nur die Schlagzeilen zu lesen: Ein Buch ist kein Twitter-Post.
Ich habe mehr als die Hälfte des Buches gelesen, so dass ich den Inhalt selbst beurteilen kann; es gibt Abschnitte, die zu 80 % aus Code bestehen.
Hier ist eine Liste der Pakete, die beim Schreiben des Codes im Buch verwendet wurden.
Inhaltlich ist das Buch eine systematische Darstellung der Probleme und Lösungen des so genannten "maschinellen Lernens", was an dieser Stelle sehr nützlich ist, da unter "maschinellem Lernen" meist nur ein Modell verstanden wird.Ja, es ist ein gutes Buch.
Da Sie es zur Hälfte gelesen haben.
Du könntest wahrscheinlich eine Zeile Code schreiben.
Was ist Ihnen am meisten im Gedächtnis geblieben?
P.Z..
Ich empfehle jedem, das Buch zu lesen.
Statistisches Lernen
kozul ist Eigenwerbung, ein neuer Aufkleber auf einer alten Hose.
Wo ist der statistische Output nach Resampling und cv? Und die Konstruktion des endgültigen Klassifikators. Nehmen Sie dieses Thema und entwickeln Sie es. Dies ist die Grundlage von kozul.
Kozul ist unlautere Werbung, ein neuer Aufkleber auf einer alten Hose.
Tuls für die Erstellung von effektiven Modellen, Vergleich mehrerer Modelle gegenüber Resampling. Als nächstes sollte so etwas wie Stat Inference und Unbiased Model Building kommen.
Dies ist der Standard des maschinellen Lernens, und ein Großteil des Buches befasst sich mit genau diesen Themen, die schon viele Jahre alt sind und für die viele Werkzeuge erfunden wurden. Teil 3 des Buches trägt den Titel: Tools for Creating Effective Models mit folgendem Inhalt:
- 10 Resampling für die Leistungsbewertung
- 11 Vergleich von Modellen mit Resampling
- 12 Modellabstimmung und die Gefahren der Überanpassung
- 13 Rastersuche
- 14 Iterative Suche
- 15 Betrachtung mehrerer Modelle
Außerdem gibt es das Kapitel 20"Ensembles von Modellen", in dem beschrieben wird, wie man das endgültige Modell erstellt.
Wir brauchen statistisches Lernen.
Bedarf? Bitte: CRAN Task View: Maschinelles Lernen & Statistisches Lernen
Dies ist für Anfänger Tipps, benötigen Sie eine kozul und die Fähigkeit zu denken
Ein Modell-Ensemble, bei dem die Vorhersagen mehrerer einzelner Lerner zu einer Vorhersage zusammengefasst werden, kann ein leistungsfähiges Endmodell ergeben. Die beliebtesten Methoden zur Erstellung von Ensemblemodellen sind Bagging(Breiman 1996a), Random Forest(Ho 1995;Breiman 2001a) und Boosting(Freund und Schapire 1997). Jede dieser Methoden kombiniert die Vorhersagen aus mehreren Versionen desselben Modelltyps (z. B. Klassifikationsbäume). Eine der frühesten Methoden zur Erstellung von Ensembles ist jedoch dasModel Stacking(Wolpert 1992;Breiman 1996b).
Beim Modellstapeln werden die Vorhersagen für mehrere Modelle beliebigen Typs kombiniert. So können beispielsweise eine logistische Regression, ein Klassifikationsbaum und eine Support-Vector-Maschine in ein Stacking-Ensemble aufgenommen werden.
In diesem Kapitel wird gezeigt, wie Vorhersagemodelle mit Hilfe des Pakets stacks gestapelt werden können. Wir werden die Ergebnisse aus Kapitel15 wiederverwenden, in dem mehrere Modelle zur Vorhersage der Druckfestigkeit von Betonmischungen bewertet wurden.
Der Prozess der Erstellung eines gestapelten Ensembles ist folgender:
20.5 KAPITEL ZUSAMMENFASSUNG
In diesem Kapitel wurde gezeigt, wie verschiedene Modelle zu einem Ensemble kombiniert werden können, um eine bessere Vorhersageleistung zu erzielen. Bei der Erstellung des Ensembles können automatisch Kandidatenmodelle eliminiert werden, um eine kleine Teilmenge zu finden, die die Leistung verbessert. Das Paket stacks verfügt über eine fließende Schnittstelle für die Kombination von Resampling- und Tuning-Ergebnissen zu einem Metamodell.
Dies ist die Sichtweise des Autors auf das Problem, aber es ist nicht die einzige Möglichkeit, mehrere Modelle zu kombinieren - es gibt Stacks-Pakete in R für die Kombination von Modellen, z. B. caretEnsemble: Ensembles von Caret-Modellen
alles wird langsam sein, Baumwolle.
Es scheint auch, dass das Buch Ensemble und Stapeln verwechselt. Kurz gesagt, ist dies ein normaler Ansatz, aber es kann Baumwolle in der Produktion sein.
Wie Sie vor kurzem gab einen Link zu Vladimir's Artikel. Ein Beispiel für die meisten verrückten TC Schöpfung.
Welche Art von Baumwolligkeit?
Was hat es mit der Watte auf sich?
Ich schlage vor, wir kehren zu Kozul, statistischem Lernen und zuverlässiger KI zurück.
P.Z..
Finden Sie die Feinheiten heraus.