L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3316

Nouveau commentaire
 
Maxim Dmitrievsky #:
Je ne sais pas ce que j'ai dans le cœur, c'est encore une fois un non-sens
D'autres personnes, qui sont des MO, vous ont déjà confirmé que vous ne pensiez pas du tout.
Combien de fois peut-on tourner en rond ?

Pourquoi t'agites-tu et t'agites-tu encore ?

La ligne verte est une trace, la ligne rouge est une validation. Et la marque avec le cercle rouge est l'endroit où le graphique d'erreur de validation passe de la baisse à la hausse, c'est le Global Extreme ! - c'est l'endroit où il faut arrêter la formation. Vous voyez, la réponse simple à ma question ? Tout apprentissage est l'essence même de l'optimisation avec la recherche de l'extremum global. Toute méthode de MO se réduit à cela même, l'optimisation d'une fonction d'évaluation jusqu'à un extrême global (minimisation de la fonction de perte ou maximisation de la fonction d'évaluation). Mais vous n'êtes pas un optimiseur, comment cela se fait-il ? Même si vous ne le faites pas délibérément, les méthodes MO le font pour vous.

 
Maxim Dmitrievsky #:
Tout le monde confirme-t-il l'interprétation erronée de Sanych selon laquelle "enseignant" est un synonyme de "marque" ?

Non, ce n'est pas la même chose, ce ne sont pas des synonymes.

Bien que les notes puissent jouer le rôle de professeur, cela dépend de la tâche à accomplir. Mais il est impossible de les mettre sur un pied d'égalité sans ambiguïté.

 
Andrey Dik #:

Pourquoi t'agites-tu et t'agites-tu ?

La ligne verte est une trace, la ligne rouge est la validation. Et la marque avec un cercle rouge est l'endroit où le graphique d'erreur de validation passe de la baisse à la hausse, c'est le Global Extreme ! - c'est l'endroit où il faut arrêter la formation. Vous voyez, la réponse simple à ma question ? Tout apprentissage est l'essence même de l'optimisation avec la recherche de l'extremum global. Toute méthode de MO se réduit à cela même, l'optimisation d'une fonction d'évaluation jusqu'à un extrême global (minimisation de la fonction de perte ou maximisation de la fonction d'évaluation). Mais vous n'êtes pas un optimiseur, comment cela se fait-il ? Même si vous ne le faites pas intentionnellement, les méthodes MO le font pour vous.

Voici le graphique du modèle recyclé, dans votre cas.
Après le point de rupture, l'augmentation de la complexité entraîne une augmentation du surentraînement, ce dont nous parlions.
 
Valeriy Yastremskiy structure des données.

  • Exemples de tâches :

    • Apprentissage avec un enseignant : classification, régression, prédiction, détection de fraudes, détection d'objets, traduction automatique, etc.
    • Apprentissage sans professeur : clustering, réduction de la dimensionnalité (PCA, t-SNE), règle associative, visualisation de données, et bien d'autres.

  • Évaluation de modèles :

    • Apprentissage avec un enseignant : un modèle est évalué en fonction de sa capacité à faire des prédictions ou des classifications en le comparant à des étiquettes connues. Les évaluations peuvent inclure la précision, la mesure F1, l'erreur RMS et d'autres mesures.
    • Apprentissage sans enseignant : l'estimation est plus difficile car il n'y a pas d'étiquettes connues à comparer. L'évaluation peut être basée sur l'inspection visuelle de la qualité du regroupement, la comparaison avec d'autres algorithmes ou l'analyse par un expert.

    • Les deux types d'apprentissage ont leurs applications dans l'apprentissage automatique, et le choix entre les deux dépend de la tâche spécifique et des données disponibles. Parfois, des méthodes hybrides sont également utilisées, combinant l'apprentissage avec et sans enseignant pour obtenir de meilleurs résultats.

    Il y a manifestement quelque chose qui cloche.

    Retour aux définitions.

    P.Z.

    On n'est pas loin de la fin.

    Huh. Quelqu'un a eu une révélation !

     
    Andrey Dik #:
    Semblable en effet, mais au MO ce graphique montre et signifie différemment.))

    Je me demandais si, d'une manière ou d'une autre, vous étiez au courant de cela.)

     
    Maxim Dmitrievsky #:
    Il s'agit d'un graphique du modèle recyclé, dans votre cas.
    Pourquoi "mon cas" ? C'est la même chose pour tout le monde. Si vous continuez à vous entraîner après le cercle rouge, vous obtiendrez un modèle surentraîné. Attendez donc quelques itérations jusqu'à ce que la validité commence à croître sur quelques itérations, arrêtez l'entraînement et choisissez le résultat où le cercle rouge est l'extremum global. Certains peuvent prendre le résultat pour 2, 3, 4, et plus d'itérations AVANT, mais cela ne change pas l'essentiel, car il s'agit toujours de trouver l'extremum global.
     
    Andrey Dik #:
    Pourquoi "le mien" ? Ils le font tous. Si vous continuez à vous entraîner après le cercle rouge, vous obtiendrez un modèle surentraîné. Vous attendez donc plusieurs itérations jusqu'à ce que la validité commence à croître sur plusieurs itérations, vous arrêtez l'entraînement et vous choisissez le résultat où le cercle rouge est l'extremum global. On peut prendre le résultat pour 2, 3, 4, et plus d'itérations AVANT, mais cela ne change pas l'essentiel, vous avez toujours besoin de trouver cet extremum global.
    Vous obtenez un modèle recyclé avant le cercle.
     
    Maxim Dmitrievsky #:
    ...
    Et après un certain temps, une complexité accrue conduit à un surentraînement accru, ce dont nous parlions.

    Il s'agit d'un graphique de formation et de validation. La complexité n'a rien à voir avec cela. Il s'agit du fait que, quoi que vous fassiez dans la MO, vous recherchez un extrême global, vous êtes un optimiseur, peu importe à quel point vous le niez.

     
    Maxim Dmitrievsky #:
    Vous avez obtenu un modèle recyclé avant le cercle.
    Cela suffit, vous êtes complètement perdu. Soit vous prouvez le contraire, mais pas avec des phrases d'un mot, mais avec des dessins, des explications.
     
    Andrey Dik #:
    Cela suffit, vous avez tout gâché. Soit vous prouvez le contraire, mais pas avec des phrases d'un mot, mais avec des dessins, des explications.
    Voici un graphique des erreurs à chaque itération sur treyne et shaft. Après chaque itération/époch, il y a une complication du modèle. Vous n'avez pas dessiné l'erreur autour du cercle sur l'axe des ordonnées et le nombre d'itérations/époques sur l'axe des abscisses. Si l'erreur est de 0,5, le modèle n'a rien appris à cet endroit et commence alors à se recycler. C'est pourquoi votre graphique n'est rien.

    Le maximum/minimum global est l'erreur zéro.
    1...330933103311331233133314331533163317331833193320332133223323...3399
    Nouveau commentaire