Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3293

 
СанСаныч Фоменко #:

No olvidemos que la propia noción de "modelo" es una condensación de la realidad. Aquí no hay extremos. Hay un equilibrio entre la precisión del modelo y su aceptabilidad. Pero lo esencial no es la precisión del modelo, sino su tosquedad, su capacidad de generalización. Y es comprensible, ya que el principal enemigo de la modelización es el exceso de ajuste, hermano de la precisión de los modelos.

Usted confunde constantemente el concepto de "extremo" con el de "pico agudo" (el punto en el que una función no tiene derivada).

Incluso una superficie plana tiene un extremo.

Otra cosa es que las FF siempre intentan elegir de tal manera que la superficie de la FF sea lo más lisa posible y el extremum global sea el único. El único extremo global debe ser la única solución inequívoca del problema.

Si el extremo global de la FF no es el único, y más aún si no tiene una derivada, significa una elección incorrecta de la FF (el criterio para la evaluación del modelo). La incomprensión de esto lleva al término "sobreajuste", la incomprensión de esto lleva a buscar algún extremo local ambiguo.

Podemos establecer una analogía: un especialista -un médico- recibe formación, se elaboran exámenes de cualificación (FF) para la certificación, para un médico no puede existir el concepto de "sobreentrenado" o "sobreajustado", si un médico no obtiene la máxima puntuación - significa que está infraentrenado. Y según usted, un buen médico debe ser siempre un subentrenado.

Una vez más, el problema del "sobreentrenamiento" es la elección equivocada de los criterios de evaluación del modelo. Parece que en el foro hay expertos tan geniales, pero repiten los mismos errores una y otra vez. El desarrollo de criterios de estimación correctos no es menos importante que la elección de predictores, de lo contrario es sencillamente imposible estimar adecuadamente el modelo.

Anticipo un aluvión de objeciones, no pasa nada, estoy acostumbrado. Si a alguien le va a ser útil - estupendo, y a los que no les va a ser útil - da igual, así que piensan que está bien como está.

 
Andrey Dik #:

Sigues confundiendo el concepto de "extremo" con el de "pico agudo" (el punto en el que una función no tiene derivada).

Incluso una superficie plana tiene un extremo.

Otra cosa es que las FFs siempre intentan elegir de forma que la superficie de la FF sea lo más plana posible y el extremum global sea el único. El único extremo global debe ser la única solución inequívoca del problema.

Si el extremo global de la FF no es el único, y más aún si no tiene una derivada, significa una elección incorrecta de la FF (el criterio para la evaluación del modelo). La incomprensión de esto lleva al término "sobreajuste", la incomprensión de esto lleva a buscar algún extremo local ambiguo.

Podemos establecer una analogía: un especialista -un médico- recibe formación, se elaboran exámenes de cualificación (FF) para la certificación, para un médico no puede existir el concepto de "sobreentrenado" o "sobreajustado", si un médico no obtiene la máxima puntuación - significa que está infraentrenado. Y según usted, un buen médico debería ser siempre un no-científico infraformado.

Una vez más, el problema del "sobreentrenamiento" es la elección equivocada de los criterios de evaluación del modelo. Parece que en el foro hay expertos tan chulos, pero repiten los mismos errores una y otra vez. Desarrollar criterios de estimación correctos no es menos importante que seleccionar predictores, de lo contrario es sencillamente imposible estimar adecuadamente el modelo.

Preveo un aluvión de objeciones, no pasa nada, estoy acostumbrado. Si a alguien le va a ser útil, estupendo, y a los que no les va a ser útil, les importa un bledo, así que piensan que está bien como está.

Estás confundiendo entidades. Estás intentando ajustar la optimización a la aproximación, o viceversa.

La aproximación y la optimización son enfoques diferentes en la resolución de problemas de aprendizaje automático.


La aproximación se refiere a la construcción de un modelo que aproxima la relación entre los datos de entrada y de salida. Puede consistir, por ejemplo, en construir una función lineal o no lineal que describa mejor los datos. La aproximación no tiene en cuenta el objetivo o el problema a resolver, sino que sólo busca construir un modelo que se ajuste lo mejor posible a los datos.


La optimización, por su parte, se refiere a la búsqueda de los parámetros óptimos del modelo para alcanzar un objetivo o problema concreto. En este caso, el modelo puede ser más complejo y contener más parámetros que en el caso de la aproximación. La optimización tiene en cuenta la meta u objetivo y ajusta los parámetros del modelo para lograr el mejor resultado posible.


En general, la aproximación y la optimización suelen utilizarse conjuntamente para construir modelos de aprendizaje automático eficaces. En primer lugar, se realiza la aproximación para construir el modelo y, a continuación, se lleva a cabo la optimización para ajustar los parámetros de dicho modelo con el fin de alcanzar el objetivo o la tarea deseados.

 
A la red neuronal no le importan tus FF. Realiza su tarea con datos no disponibles. La discusión aquí es cómo encontrar un equilibrio entre la varianza y el sesgo de un modelo de este tipo. Mitramiles puso diferentes FFs en el segundo extremo de la NS. Obtuvo todos los mismos ajustes.

Escribes sobre encontrar un objetivo f-i, que ya hemos fijado por defecto.

Todavía tienes que darte cuenta de la diferencia.
 
Por eso se escribía más arriba sobre la importancia de un marcado adecuado u Oracle, basado en el conocimiento experto o en decisiones algorítmicas. Eso es lo que aportas al modelo a priori. Ningún FF te va a salvar ahí.

Ya se ha discutido varias veces, dando vueltas y vueltas. O se discute algo concreto, o cada uno tira para su lado.
 

Bueno, te lo dije.

Yo entendería si Sanych comenzó a luchar, pero Max....

FF es una evaluación, evaluamos todo. Si evaluamos mal lo que hacemos, no significa que lo estemos haciendo mal. Sin una evaluación adecuada es 50/50 y luego dicen - esto no funciona, aquello no funciona.... No pretendo ser un experto en diseño de evaluaciones, es una tarea muy difícil.

"Es sólo lo mismo que se dice en círculos" - estas no son mis palabras, en todo caso)))))) Es posible cambiar palabras en lugares para que suene aún peor, aquí el criterio de evaluación es "número de palabras", no es una evaluación correcta, porque de cambiar palabras en lugares el significado puede cambiar drásticamente.

 
No puedo dejar de compartir la impresionante noticia (tan cierta para mí), se ha encontrado un algoritmo aún más fuerte que el SSG.
 
Hay una sustitución constante de conceptos, es imposible comunicarse.
 
Maxim Dmitrievsky #:
Hay una sustitución constante de conceptos, es imposible comunicarse.

Estoy de acuerdo, nadie se entiende, no hay un criterio único para evaluar un enunciado y su carga semántica. Nadie sabe quién quiere decir qué, como en esa anécdota:

- ¡¿Qué quieres decir?!

- Quiero decir lo que quiero decir.

Así son las cosas en el Ministerio de Defensa.

 
Andrey Dik #:

Estoy de acuerdo, nadie se entiende, no hay un criterio único para evaluar un enunciado y su carga semántica. Nadie sabe quién quiere decir qué, como en esa anécdota:

- ¡¿Qué quieres decir?!

- Quiero decir lo que quiero decir.

Así es como es en el MdD.

No entendiste el punto (era sobre kozul) y empezaste a empujar FFs de nuevo. No encajaban ahí para nada :)
 
Maxim Dmitrievsky #:
No entendiste el punto (era sobre kozul), y empezaste a empujar a FF de nuevo. No encajan en absoluto :)
He entendido todo. mira, he comentado en el post de Sanych, lo que exactamente causó mi deseo de escribir - se destaca en negrita allí.