Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3313
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Sanych, ¿cuándo recordaremos que Maestro es signo + objetivo?)
¡Oh, el más sabio!
¡Oh, el que más sabe!
"Profesor" (sinónimo de variable objetivo) en el método de aprendizaje "con profesor" es una VARIABLE independiente en la fórmula de todos los modelos de aprendizaje automático que conozco, por ejemplo:
randomForest(as.factor(target ) ~ ., data = Train [, - ncol(Train )], ntree = ntree, mtry = mtry)
donde target representa una columna separada de la matriz. En el sentido, por ejemplo, de los incrementos de precio. Es como una función y sus argumentos.
Las demás columnas de la matriz tienen que coincidir. El problema es que no todos los profesores se ajustarán a las características (predictores) y viceversa, no todas las características se ajustarán a un profesor concreto
Estoy hablando de selección de características
y lo que tú llamas " selección de rasgos como parte de los modelos" es importancia de la varianza . No te confundas y no confundas a los demás.
Y lo que haces con el paquete proxy es selección de rasgos artesanal, incorrecta, primitiva, o más bien una parte de ella
Y de verdad, familiarízate con los conceptos y no introduzcas los tuyos propios encima de los existentes.
Porque a mí me crispa cada vez que llamas "overfitting" al reentrenamiento y hay muchas meteduras de pata de ese tipo
Gracias por la aclaración.
Pero la precisión absoluta sólo es posible con un modelo específico de aprendizaje automático, ya que hay modelos que proporcionan información sobre la importancia de la varianza , y hay modelos que tienen incorporada laselección de características .
Si una clasificación general de los conceptos en el problema de selección de características, puede utilizar este
Para tu información: ¿cuál es la traducción de overfitting? ¿Sobreajuste? ¿O sobreajuste?
Gracias por la aclaración.
Para su información: ¿cuál es la traducción de overfitting? ¿Sobreadaptación? ¿O sobreadaptación?
overate.
Hablar más de la cuenta.
La cuestión ni siquiera es esa, es que eres el único que usa esa palabra frente a cientos de otros y no tiene nada de bueno, sólo confunde.
==================================================================
Recuerdo que decías que tus funciones tardan mucho en contar, existe una cosa tan chula como la memoización de código, acelera mucho el código en algunos casos, sólo tienes que envolver una función lenta f1() en f2() y hacer una función memoizable.
gran ganancia
¡Oh, hombre sabio!
¡Oh, el que más sabe!
"Maestro".
Sanych, ¿dónde dice que Maestro es sinónimo de objetivo? )
memoise
curiosamente
Sanych, ¿dónde dice que Profesor es sinónimo de objetivo? )
No seas estúpido.
El aprendizaje supervisado es uno de los métodos deaprendizaje automático , en el que el sistema sometido a prueba se ve obligado a aprender utilizando ejemplos de estímulo-respuesta. Desde el punto de vista dela cibernética, es un tipo deexperimento cibernético. Puede que exista cierta dependencia entre las entradas y las salidas de referencia ( estímulo-respuesta), pero se desconoce.
Y lo más importante, ¡no necesitas enseñar a nadie! ¡Haz lo que quieras!
¡No seas estúpido!
El aprendizaje supervisado es uno de los métodos deaprendizaje automático , en el que el sistema sometido a prueba se ve obligado a aprender mediante ejemplos de estímulo-respuesta. Desde el punto de vista dela cibernética, es un tipo deexperimento cibernético. Puede que exista cierta dependencia entre las entradas y las salidas de referencia ( estímulo-respuesta), pero se desconoce.
Y lo más importante, ¡no necesitas enseñar a nadie! ¡Haz lo que quieras!
Sanych, ¿DÓNDE ESTÁ ESCRITO?
Es lógico suponer que si Con maestro - es con la columna de destino f-i, y sin maestro - sin esta columna, a continuación, esta columna es el maestro.
Wo gpt da out))))
El aprendizaje supervisado y el aprendizaje no supervisado son los dos enfoques principales en el aprendizaje automático, y difieren en algunos aspectos clave:
Presencia de etiquetas (objetivos):
Objetivo:
Ejemplos de tareas:
Evaluación de modelos:
Ambos tipos de aprendizaje tienen sus aplicaciones en el aprendizaje automático, y la elección entre ellos depende de la tarea específica y de los datos disponibles. A veces también se utilizan métodos híbridos, que combinan el aprendizaje con y sin profesor para lograr mejores resultados.