L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3339
![MQL5 - Linguaggio delle strategie di trading integrato nel client terminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Abbandonate l'abitudine di leggere solo i titoli: un libro non è un post su Twitter.
Ho letto più della metà del libro, quindi posso giudicare da solo il contenuto; ci sono sezioni che sono per l'80% codice.
Ecco un elenco dei pacchetti utilizzati per scrivere il codice del libro.
In termini di contenuto, il libro è una presentazione sistematica dei problemi e delle soluzioni di quello che viene chiamato "machine learning", in questo sito è molto utile in quanto il "machine learning" è solitamente inteso come un semplice modello.Sì, è un buon libro.
Visto che ne hai letto metà.
Probabilmente potresti scrivere una riga di codice.
Il più memorabile per te?
P.Z.
Consiglio a tutti di studiare il libro.
apprendimento statistico
kozul è autopromozione, un nuovo adesivo su vecchi pantaloni.
Dove si trova l'output statistico dopo il ricampionamento e la cv? E la costruzione del classificatore finale. Prendete questo argomento e sviluppatelo. Questa è la base di Kozul.
Kozul è pubblicità sleale, un nuovo adesivo su vecchi pantaloni.
Tuls per creare modelli efficaci, confrontare modelli multipli rispetto al ricampionamento. Il prossimo dovrebbe essere qualcosa come l'inferenza statistica e la costruzione di modelli imparziali.
Questo è lo standard dell'apprendimento automatico e gran parte del libro tratta proprio questi problemi, che sono vecchi di molti anni e per i quali sono stati inventati molti strumenti. La terza parte del libro si intitola: Strumenti per la creazione di modelli efficaci, con i seguenti contenuti:
- 10 Il ricampionamento per la valutazione delle prestazioni
- 11 Confronto tra modelli con il ricampionamento
- 12 La messa a punto del modello e i pericoli dell'overfitting
- 13 Ricerca a griglia
- 14 Ricerca iterativa
- 15 Visualizzazione di più modelli
Inoltre, il capitolo 20"Ensemble di modelli" spiega come costruire il modello finale.
Abbiamo bisogno di conoscenze statistiche.
Per favore: CRAN Task View: Machine Learning & Statistical Learning
Questo è un consiglio per i principianti, è necessario un kozul e la capacità di pensare
Un modello d'insieme, in cui le previsioni di più apprendenti singoli vengono aggregate per ottenere una previsione, può produrre un modello finale ad alte prestazioni. I metodi più diffusi per creare modelli d'insieme sono il bagging(Breiman 1996a), la foresta casuale(Ho 1995;Breiman 2001a) e il boosting(Freund e Schapire 1997). Ognuno di questi metodi combina le previsioni di più versioni dello stesso tipo di modello (ad esempio, gli alberi di classificazione). Tuttavia, uno dei primi metodi per la creazione di ensemble è ilmodel stacking(Wolpert 1992;Breiman 1996b).
Il model stacking combina le previsioni di più modelli di qualsiasi tipo. Ad esempio, una regressione logistica, un albero di classificazione e una macchina vettoriale di supporto possono essere inclusi in un ensemble di stacking.
Questo capitolo mostra come impilare i modelli predittivi utilizzando il pacchetto stacks. Riutilizzeremo i risultati del capitolo15, in cui sono stati valutati più modelli per prevedere la resistenza alla compressione delle miscele di calcestruzzo.
Il processo di costruzione di un ensemble impilato è il seguente:
20.5 RIASSUNTO DEL CAPITOLO
Questo capitolo ha dimostrato come combinare diversi modelli in un ensemble per ottenere migliori prestazioni predittive. Il processo di creazione dell'ensemble può eliminare automaticamente i modelli candidati per trovare un piccolo sottoinsieme che migliori le prestazioni. Il pacchetto stacks ha un'interfaccia fluida per combinare i risultati del ricampionamento e della messa a punto in un meta-modello.
Questo è il punto di vista dell'autore sul problema, ma non è l'unico modo per combinare più modelli: esistono pacchetti stacks in R per combinare i modelli. Per esempio, caretEnsemble: Ensemble di modelli di Caret
tutto sarà lento, cotone.
Sembra inoltre che il libro confonda l'assemblaggio e l'impilamento. In breve, si tratta di un approccio normale, ma che può essere di cotone nella produzione.
Come avete recentemente dato un link all'articolo di Vladimir. Un esempio della creazione TC più stravagante .
Che tipo di cotonatura?
Che cos'è questa cotonosità?
Suggerisco di tornare a kozul, all'apprendimento statistico e all'IA affidabile.
P.Z.
Scoprire i dettagli più fini.