L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3178
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Ne suffirait-il pas de mélanger la colonne avec la colonne cible ?
Tail et les autres paramètres de la série resteront les mêmes. Je pense que c'est un avantage.
Ce n'est pas non plus une mauvaise chose. Il est probablement préférable d'essayer les deux méthodes. S'il y a beaucoup de valeurs aberrantes dans les traits (queues lourdes), les résultats peuvent être différents, ce qui peut donner des informations supplémentaires.
Le problème des sectaires est qu'ils craignent de voir leurs principes religieux mis à l'épreuve.
Il existe toujours de nombreux modèles - il s'agit de choisir le bon.
Au moins, j'ai essayé.
Pouvez-vous développer - je ne comprends pas.
Une tâche vide de sens peut être obtenue simplement en mélangeant aléatoirement des étiquettes (ou en les générant aléatoirement avec des probabilités égales à la fréquence des classes).
L'idée reste la même : obtenir un large échantillon des résultats d'un grand nombre de problèmes intentionnellement dépourvus de sens afin de les comparer aux résultats du problème réel. Si le résultat réel ne se trouve pas dans la queue de cet échantillon, la méthode est plutôt médiocre.
Au moins, j'ai essayé.
Vous comprenez pourquoi CatBoost offre la possibilité d'utiliser différentes méthodes de quantification des indicateurs des prédicteurs ?
Pensez-vous que les programmeurs ont simplement laissé cette possibilité à ceux qui n'ont pas assez de mémoire opérationnelle ?
Ou bien les développeurs se rendent-ils compte que le résultat de la formation dépend directement de ces tableaux ?
Et pour finir, prenez vous-même, réorganisez les paramètres des tableaux et observez la variabilité des résultats.
Vous vous demanderez alors pourquoi cela se produit et vous commencerez peut-être à mieux me comprendre.
Et toute déclaration dans le style d'un prédicateur, d'un prophète ou d'un juriste n'est pas informative. Je les interprète comme un désir de mettre en valeur ma personne.
Vous pouvez obtenir une tâche dénuée de sens en mélangeant simplement les étiquettes de manière aléatoire (ou en les générant de manière aléatoire avec des probabilités égales à la fréquence des classes).
L'idée est la même : obtenir un large échantillon des résultats d'un grand nombre de tâches manifestement dénuées de sens afin de les comparer au résultat de la tâche réelle. Si le résultat réel ne se trouve pas dans la queue de cet échantillon, la méthode est plutôt médiocre.
Il est peut-être préférable de "mélanger" pour préserver la proportion de zéros et de uns.
Comprenez-vous pourquoi CatBoost a la possibilité d'utiliser différentes méthodes de quantification des scores prédictifs ?
Pensez-vous que les programmeurs ont simplement laissé cette possibilité à ceux qui n'ont pas assez de mémoire opérationnelle ?
Ou bien les développeurs se rendent-ils compte que le résultat de l'entraînement dépend directement de ces tableaux ?
Et pour finir, prenez vous-même, modifiez les paramètres des tableaux et observez la variabilité du résultat.
Vous réfléchirez alors à la raison pour laquelle les choses se passent ainsi, et peut-être commencerez-vous à mieux me comprendre.
Et toute déclaration dans le style d'un prédicateur, d'un prophète ou d'un juriste n'est pas informative. Elles sont interprétées par moi comme un désir de se mettre en valeur.
Il est suggéré de demander aux développeurs dans leur panier
Ne pas faire. Au cas où ils répondraient de manière incorrecte)
Ne pas le faire. Au cas où ils répondraient mal)
Il est suggéré de demander aux développeurs dans leur chariot, car je ne sais pas ce qu'ils font
Demandez-leur, puisque vous ne comprenez pas.
De plus, certains boosters font la quantification du prédicteur après chaque split, en quantifiant le reste.
Enfin, je ne suis pas le seul à l'utiliser, les compétiteurs mentionnent aussi parfois des travaux dans ce sens.
Quoi qu'il en soit, je ne vous forcerai pas davantage.
Demandez si vous ne comprenez pas.
De plus, certains boosters quantifient le prédicteur après chaque fractionnement, en quantifiant le reste.
Je ne suis pas le seul à l'utiliser, les participants aux concours mentionnent aussi parfois des travaux dans ce sens.
Quoi qu'il en soit, je ne vous forcerai pas à en savoir plus.
et pourquoi devrais-je demander, si la conversion des flottes en ints est nécessaire principalement pour l'accélération sur de très grandes données.
Le bonus peut être un petit calibrage du modèle pour le meilleur ou pour le pire, comme le veut la chance.
ils vous donneront simplement la même réponse, donc vous avez probablement peur de demander parce que cela dévalorisera toutes vos années de dur labeur :)
c'est fouiller dans les sous-vêtements de l'algorithme.