Zusammenstellung eines Teams zur Entwicklung eines IO (Entscheidungsbaum/Wald) in Bezug auf Trendstrategien - Seite 12
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
Wenn ein Wunder geschieht und das Team zusammenkommt, müssen wir einen Lernalgorithmus und eine Methode zur Bewertung des Modells wählen.
Ich kann an einer Reflexionsgruppe knabbern.
...muss ich über einen anderen Standort nachdenken. Vielleicht kennt jemand ein ähnliches Angebot? Ich denke da an so etwas wie ein Forum, in dem man Bilder austauschen und irgendwie bearbeiten kann, einen separaten Chatraum und so etwas wie ein Reservoir an cleveren Ideen...
Zum Beispiel. Sie haben auch ein Repository für den Austausch von Code. Sie haben auch eine mobile Anwendung. Imho ein sehr praktischer Dienst.
Zur Bewertung der Qualität des Modells (Netz oder Wald) werden Fehlerwerte wie MSE, OOB usw. verwendet.
Aber anders als bei der Bilderkennung, bei der ein Mensch das Verifikationsmuster ist, ist es sehr schwierig, ein solches Muster für ein Preisdiagramm zu erstellen. Daher wird die Schätzung eines Preismodells durch MSE, OOB usw. oft falsch interpretiert.
Es gibt keine klare Definition von "Überanpassung" des Modells.
Also habe ich aufgehört, das Modell mit MSE, OOB usw. zu überprüfen.
Ich ziehe es jetzt vor, das Trainingsergebnis mit dem Preisdiagramm zu überlagern, um das Gesamtbild zu sehen.
Hier ist meine Methode zur Bewertung der Qualität des Modells (ich habe dieses Bild bereits veröffentlicht):
IMHO braucht man kein Bild, sondern objektive, quantitative Metriken, und wenn es um eine verständliche Verbraucherbewertung der Modellqualität für den Handel geht, dann kann man sie z.B. an der Signalproduktivität messen.
Zum Beispiel. Ein Repository für die gemeinsame Nutzung von Code ist ebenfalls angeschlossen. Sie haben auch eine mobile App. Imho ein sehr praktischer Dienst.
Hm... danke für den Hinweis, sehr interessanter Service. Verwenden Sie die kostenlose Version? Sie können so viele Nebenstellen anschließen, wie Sie möchten?
Jetzt ziehe ich es vor, das Ergebnis des Trainings über das Preisdiagramm zu legen, um das gesamte Bild zu sehen.
Hier ist meine Methode zur Bewertung der Qualität des Modells (ich habe dieses Bild bereits veröffentlicht):
Sagen Sie mir, wie ich diese Tabelle im Keller lesen kann. Sie haben, wie viele Ziele gibt (ich sehe nur eine Divergenz von 4 Punkten - 4 Ziele?), verstehe ich richtig, dass die Vorhersagen am Anfang der Bar auftreten (dann, warum die Eröffnung nicht übereinstimmen oder bin ich das Diagramm falsch lesen?
Die Visualisierung ist nützlich für den Denkprozess, aber ohne diese Divergenzen in Zahlen auszudrücken, ist es unmöglich, den Modellschätzungsprozess für dieselbe Fitnessfunktion zu automatisieren.
Wenn ein Wunder geschieht und das Team zusammenkommt, müssen Sie einen Lernalgorithmus und eine Methode zur Bewertung des Modells wählen.
Sind Sie im Team oder nicht?
Ich kann ein wenig in der Reflexionsgruppe knabbern.
OK, sagen wir es mal so...
Zum Beispiel. Ein Repository für die gemeinsame Nutzung von Code ist ebenfalls angeschlossen. Sie haben auch eine mobile App. Imho ein sehr praktischer Dienst.
Vielen Dank, ich werde den Dienst studieren müssen. Oder werfen Sie einen Blick auf die bestehenden Projekte, die darauf basieren.
Ich werde meine Gedanken über die Bewertung der MoD-Modelle mitteilen.
Ich weiß nicht, ob es in MO so etwas wie ein Herbarium gibt, aber ich werde es weiterhin benutzen. Falls es jemand nicht versteht: Ein Herbarium ist eine Sammlung von guten Blättern von Bäumen, und es können ein oder mehrere Blätter von einem Baum gesammelt werden. Dieses Modell hat einen Nachteil bei der Abstimmung - die Anzahl der Blätter, die ein Phänomen (Ziel) zu verschiedenen Zeitpunkten beschreiben, wird unterschiedlich sein, d.h. wenn wir das Sampling als ein Feld darstellen, stellt sich heraus, dass die Blätter in unterschiedlichen Mengen auf dem Feld verstreut sind, was die Qualität der Abstimmung beeinträchtigt. Ich denke also, dass man zur Schätzung dieses Modells (die Methode funktioniert auch für Wälder, ist aber primitiver, der Schwerpunkt sollte nur auf die Vorhersagefähigkeit im Feld gelegt werden) jedes Blatt (Baum) als eine Schicht darstellen muss, diese Schichten übereinander legen und dort, wo sich die Blätter überlappen, die durchschnittliche Vorhersagefähigkeit berechnen, indem man einen Faktor hinzufügt, der das Produkt in Abhängigkeit von der Anzahl der Blätter beeinflusst (für Wälder nicht notwendig), dann die resultierende Karte betrachten und ihre Einheitlichkeit schätzen. Eine solche Karte kann auf verschiedene Weise ausgewertet werden: durch Hinzufügen des dritten Raums - nach Scheitelpunkten - oder durch Anwendung der Kohonen-Methode - nach Farben -, um die Übersichtlichkeit zu erhöhen und den Gesamtmittelwert und den RMS dieser Karte zu ermitteln. Dann können wir die Qualität des Modells sehen, wie stark seine Vorhersagekraft über die gesamte Stichprobe ist, nicht nur über das Aggregat. Eine solche Schätzung könnte der Fitnessfunktion helfen, nach blatt-/baumverbessernden Bereichen der Stichprobe mit geringer durchschnittlicher Vorhersagekraft zu suchen.
Was meinen Sie dazu?
Oder habe ich mich wieder nicht klar ausgedrückt?