As part of a predictive model competition I participated in earlier this month, I found myself trying to accomplish a peculiar task. The challenge organizers were going to use “mean absolute percentage error” (MAPE) as their criterion for model evaluation. Since this is not a standard loss function built into most software, I decided to write...
私たちトレーダーのニーズに合わせて損失関数をカスタマイズすることは、もっと研究されるべきだと思います。
一例として、こちらの記事を ご覧ください。
より広い視野を持つために？
まず、こうすれば、こうなる、こう なる...といったように、実用的な観点から意味を正当化する。など
ここでは、Googleにテーマに関するあらゆる単語を入力すると、瞬く間に不可能に近いまでのリンクが枝に溢れ出す。
私たちトレーダーのニーズに合わせて損失関数をカスタマイズすることは、もっと研究されるべきだと思います。
一例として、こちらの記事を ご覧ください。
同意見です。
標準的な分類や回帰は、BPにはあまり適していない。
同意見です。
標準的な分類や回帰は、BPにはあまり適していない。
まずは、任意の正しい損失関数の作り方、例えば利益最大化に近いような、学習アルゴリズムがこれらの関数で適切に動作するような作り方を学びたいと思います。どうやら、最も単純な線形回帰の場合でも、非常に基本的なことに踏み込まなければならないようだ。
まずは、任意の正しい損失関数の作り方を学ぶことから始めたいと思います。例えば、利益最大化に近づけるため、また、学習アルゴリズムがこれらの関数とうまく連動するようにするためです。
最大化自体に何か問題があるのでしょうか？
コンディションの悪さが問題になっている可能性もあるが、これは使用する指標による。ブースティングの勾配とヘシアンの計算に問題がある可能性があります。
使用する指標によりますが、コンディション不良の問題があるかもしれません。ブースティングの勾配とヘシアンの計算に問題がある可能性があります。
モデルを選択するためにカスタムメトリクスが使用されますが、学習は依然として標準的なメトリクス（例えば分類のためのlogloss）によって行われます。なぜなら、標準的なメトリクスは特徴とターゲットの関係に関係するのに対し、あなたのメトリクスは関係しないからです。そして、ここで、シャープ比やR2でモデルを選択するのか、それらを最大化したときに直ちに学習を停止するのか、ちょっと不明です。それはおそらく、どちらの方法でも可能でしょう。
しかし、標準的な指標を捨てて、メタトレーダーの最適化で使われるような指標に置き換えて実験するのは面白いかもしれません。
そのグレイルが提供されていると主張するのはまだ早いですが）でも、いつか解明してみようと思います。
でも、標準的な指標を完全に捨てて、メタトレーダーの最適化で使われているような指標に置き換えるという実験も面白いかもしれませんね）もっとも、もっと低いレベルで、最適化パッケージを直接扱う必要がありそうです。
グレイルだと約束するのはまだ早いですが）、いつか扱ってみようと思っています。
特徴空間が大きい場合（数十の特徴）、どの条件性が良いかを事前に判断する方法は？
確かに標準的な測定基準では条件付きが常に良いのですが、そうでなければ標準にはなりません。 しかし、それで独自のバイクを発明することを止められるでしょうか?）