Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3339
![MQL5 - Lenguaje de estrategias comerciales para el terminal de cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Esto es para principiantes consejos, usted necesita un kozul y la capacidad de pensar
Un conjunto de modelos, en el que las predicciones de múltiples aprendices individuales se agregan para hacer una predicción, puede producir un modelo final de alto rendimiento. Los métodos más populares para crear modelos ensemble son bagging(Breiman1996a), random forest(Ho 1995;Breiman 2001a) y boosting(Freund y Schapire 1997). Cada uno de estos métodos combina las predicciones de múltiples versiones del mismo tipo de modelo (por ejemplo, árboles de clasificación). Sin embargo, uno de los primeros métodos para crear conjuntos es el apilamiento demodelos(Wolpert 1992;Breiman 1996b).
El apilamiento de modelos combina las predicciones de múltiples modelos de cualquier tipo. Por ejemplo, una regresión logística, un árbol de clasificación y una máquina de vectores de soporte pueden incluirse en un conjunto de apilamiento.
Este capítulo muestra cómo apilar modelos predictivos utilizando el paquete stacks. Reutilizaremos los resultados del capítulo15, en el que se evaluaron varios modelos para predecir la resistencia a la compresión de mezclas de hormigón.
El proceso de construcción de un conjunto apilado es:
20.5 RESUMEN DEL CAPÍTULO
En este capítulo se ha mostrado cómo combinar diferentes modelos en un conjunto para obtener un mejor rendimiento predictivo. El proceso de creación del conjunto puede eliminar automáticamente los modelos candidatos para encontrar un pequeño subconjunto que mejore el rendimiento. El paquete stacks dispone de una interfaz fluida para combinar los resultados del remuestreo y el ajuste en un metamodelo.
Esta es la visión del autor del problema, pero no es la única forma de combinar múltiples modelos - existen paquetes stacks en R para combinar modelos. Por ejemplo, caretEnsemble: Ensembles of Caret Models
todo será lento, algodón.
También parece que el libro confunde conjunto y apilamiento. En resumen, este es un enfoque normal, pero puede ser de algodón en la producción.
Como recientemente dio un enlace al artículo de Vladimir. Un ejemplo de la creación TC más loco .
¿Qué tipo de algodonoso?
¿A qué viene esa algodonosidad?
Sugiero que volvamos a kozul, al aprendizaje estadístico y a la IA fiable.
P.Z.
Averigua los detalles más sutiles.
Sugiero que volvamos a kozul, al aprendizaje estadístico y a la IA fiable.
P.Z.
Averigua los detalles más sutiles.
Si va directo a los detalles, aquí tiene una lectura al respecto
¡Un libro maravilloso como monumento a la desvergüenza y a la falta de escrúpulos!
Lo principal es colgar el plato y cacarear - se encontrarán bobos (o tal vez gente muy calculadora), que caerán en el plato, sin entender, o darse cuenta de que todo lo que se presenta es bien conocido de las herramientas de la estadística matemática.
La estadística tiene varios miles de años. Desarrollando y enriqueciendo la estadística matemática, observando los procesos aleatorios que nos rodean, trató de responder a las siguientes preguntas;
1. ¿Cuáles son las características de estos procesos aleatorios?
2. 2. ¿Cuáles son las causas de estos procesos aleatorios?
3. ¿Cuál es el futuro de estos procesos aleatorios?
Ahora hay tipos listos que empiezan a vociferar sobre la "inferencia causal" como explicación del significado de este término innovador con toda seriedad y empiezan a presentar popularmente los fundamentos del análisis de regresión en el ejemplo de la regresión lineal.
¡Es alucinante!
Y este nuevo cuadro para cláusulas muy antiguas ¡está rodando!
Hoy en día en R, el único lenguaje para estadística bien estructurado y documentado, hay más de 10.000 paquetes y más de 120.000 funciones que son herramientas para responder a las preguntas anteriores, una de las cuales es averiguar Causas y Consecuencias.
¿Para qué necesitamos nuevas placas? Para que los listos se forren y no les hagan preguntas estúpidas por tener una educación básica.