Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3340

Nuevo comentario
 
Pues responde a la pregunta más sencilla: ¿en qué se diferencia la conexión asociativa de la causal, ya que lo sabes todo? Y entonces decidiremos a quién ponerle un monumento a la desvergüenza o a la vergüenza :)

¿Y averiguar causas y efectos no es una conclusión causal, déjame preguntarte? :)

Entonces, ¿esta subida de adrenalina está relacionada con qué problemas concretos de incomprensión? ¿Por qué te sientes amenazado?
 
Maxim Dmitrievsky #:
Pues responde a la pregunta más sencilla: ¿en qué se diferencia la conexión asociativa de la causal, ya que lo sabes todo? Y entonces ya decidiremos a quién ponerle un monumento a la desvergüenza o a la vergüenza :)

¿Y averiguar causas y efectos no es inferencia causal, permíteme que te pregunte? :)

Entonces, ¿esta descarga de adrenalina está relacionada con qué problemas concretos de incomprensión? ¿Por qué te sientes amenazado?

Tu "inferencia causal se muestra en la primera sección del libro sobre el ejemplo de la regresión lineal: todo lo que está escrito ahí se enseña a los estudiantes y muchas otras cosas que el autor no se molestó en exponer, por ejemplo, los límites de aplicabilidad de la regresión lineal, por cierto, que es lo más importante.

Así que no nos escondamos detrás de las preguntas.

Seamos sustanciosos.

¿Qué capítulo del libro NO utiliza herramientas conocidas en estadística (y disponibles en R)?

No hables de metaestudios: eso es un conjunto de modelos, también una idea con barba.

 
СанСаныч Фоменко #:

Su "inferencia causal se muestra en la primera sección del libro sobre el ejemplo de la regresión lineal: todo lo que está escrito allí se enseña a los estudiantes y muchas otras cosas que el autor no se molestó en decir, por ejemplo, los límites de aplicabilidad de la regresión lineal, por cierto, que es lo más importante.

Así que no te escondas detrás de las preguntas.

Vayamos al grano.

¿Qué capítulo del libro NO utiliza herramientas conocidas en estadística (y disponibles en R)?

No hables de meta-estudios - eso es un conjunto de modelos, también una idea con barba.

Vayamos al grano: ¿Cuál es la diferencia entre una relación asociativa y una relación causal?

El autor se molestó en exponer los límites de aplicabilidad de la regresión lineal. Punto negativo.

Los metaaprendices no son un conjunto de modelos, menos un punto.

¿Con qué otra sección del libro no está de acuerdo, o mejor dicho, qué otra cosa no ha entendido del libro?
 

Al fin y al cabo, no te han expulsado de google, ¿verdad? Puedes leer en qué se diferencia la inferencia estadística de la inferencia causal, ¿verdad?

 
Maxim Dmitrievsky #:

Al fin y al cabo, no te han expulsado de google, ¿verdad? Puedes leer en qué se diferencia la inferencia estadística de la inferencia causal, ¿verdad?

Hay una clara asociación en la secuencia "A", "B", "C".

 [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
 [1,] "l"  "y"  "A"  "v"  "B"  "C"  "s"  "n"  "u"  "z"  
 [2,] "p"  "x"  "a"  "n"  "A"  "B"  "j"  "y"  "d"  "C"  
 [3,] "A"  "B"  "e"  "a"  "r"  "w"  "C"  "f"  "z"  "q"  
 [4,] "d"  "s"  "q"  "c"  "w"  "A"  "B"  "k"  "z"  "C"  

¿Cómo sé que es una asociación y no una casuación o viceversa?

 
mytarmailS #:

Existe una asociación clara en forma de secuencia "A", "B", "C".

¿Cómo entender que se trata de una asociación y no de una casuación o viceversa?

No sé cuál es el alfabeto ni dónde hay una asociación clara.

 
Maxim Dmitrievsky #:

No sé cuál es el alfabeto ni dónde está la asociación obvia aquí.

Cada línea es una nueva observación.

Cada línea tiene una repetición de A B C.

A B se asocia con C.

 
mytarmailS #:

cada línea es una nueva observación

cada línea tiene una repetición de A B C

A B está asociada a C

Bueno, al menos hay que comparar la frecuencia de su aparición con la frecuencia de co-ocurrencia de otras letras, supongo. Y hay que entender la naturaleza de los datos.

¿Realmente AB hace que aparezca C, o un conjunto de otras letras.

Sobre todo porque no son consecutivas.

 
Maxim Dmitrievsky #:

¿Realmente AB hace que aparezca C, o un conjunto de otras letras

Bueno, esa es la cuestión, hay una asociación en la cara de la misma ...
¿Cómo entender si es sólo una asociación o si AB realmente causa C

 
Maxim Dmitrievsky #:

Al fin y al cabo, no te han expulsado de google, ¿verdad? Puedes leer en qué se diferencia la inferencia estadística de la inferencia causal, ¿verdad?

Maxim Dmitrievsky #:
Vayamos al grano: ¿Cuál es la diferencia entre inferencia asociativa e inferencia causal?

El autor se ha molestado en exponer los límites de aplicabilidad de la regresión lineal. Punto negativo.

Los meta estudiantes no son un conjunto de modelos, menos un punto.

¿Con qué otra sección del libro no estás de acuerdo, o mejor dicho, qué más no has entendido del libro?

Usted, por supuesto, es el mayor gurú y puede permitirse el lujo de dar puntos a la gente, pero yo no puedo, una vez más escribiendo específicamente en la expectativa de que va a responder específicamente también.


¿Con qué otra sección del libro no estás de acuerdo, o más bien qué otra cosa no has entendido del libro?

Nunca he escrito en ningún sitio que no esté de acuerdo.

Estoy en contra de nuevas etiquetas para conceptos bien conocidos

Estátodo ahí y poner niebla a cosas conocidas es muy poco útil.

El autor se molestó en exponer los límites de aplicabilidad de la regresión lineal. Menos un punto.

No he visto en el texto

1. la regresión lineal es aplicable a procesos aleatorios estacionarios

2. el residuo del ajuste de la regresión lineal debe distribuirse normalmente.

Si este no es el caso en sus ejemplos, y no se afirma lo contrario, entonces una miseria de todo su razonamiento.

Todo el razonamiento del libro sobre causa y efecto es el habitual razonamiento de "falsa correlación".


Meta Learnersno es un conjunto de modelos, menos la puntuación.

Según el texto del libro, los "metaalumnos"son el resultado/resultado de encajar/predecir modelos convencionales. Si el autor no hubiera vuelto a etiquetar los conceptos más corrientes con nuevas etiquetas, habría tenido la oportunidad de expresar mis pensamientos con mayor precisión.

Así que lo aclararé.

El conjunto de modelos es una idea antigua y bien establecida. La entrada es la salida de modelos de nivel inferior, la salida es una señal. Hay muchos métodos para combinar los resultados de los modelos de nivel inferior: combinar "metaaprendices". El autor considera tres variantes de combinar los resultados del ajuste, la segunda y tercera variantes combinan los resultados del modelo gradient bousting. En la tercera variante, los resultados del primer nivel se combinan según el

Aquí está este texto ininteligible es el significado, la novedad en todo esto:

def ps_predict(df, t): 
    return g.predict_proba(df[X])[:, t]
    
    
x_cate_train = (ps_predict(train,1)*mx0.predict(train[X]) +
                ps_predict(train,0)*mx1.predict(train[X]))

x_cate_test = test.assign(cate=(ps_predict(test,1)*mx0.predict(test[X]) +
                                ps_predict(test,0)*mx1.predict(test[X])))
1...333333343335333633373338333933403341334233433344334533463347...3399
Nuevo comentario