トレーディングにおける機械学習：理論、モデル、実践、アルゴトレーディング - ページ 2875

新しいコメント
 
Aleksey Nikolayev #:

任意の特徴数を持つアルゴリズムの話題に興味があります。リカレントネットワークについては知っています。

- 私は任意の数の特徴を持つアルゴリズムのトピックに興味を持っています。私はリカレントネットワークについて知っている - 私は同じようにしたいが、メッシュなし。

*線形回帰、ロジスティック回帰、決定木のような機械学習アルゴリズムは、任意の数の特徴を扱うことができます。これらはリカレント・ネットワークよりも計算量が少なく、通常より高速です。

しかし、リカレント・ネットワークは、テキスト、音声メッセージ、モーション・データなど、一連のデータを扱う必要がある場合に有効である。リカレント・ネットワークは、前のステップのコンテキストを記憶し、それを使って次のステップを予測することができる。これは、例えば、文脈によって単語の意味が異なるテキストを分析する場合に便利である。


- 再帰関数とは、任意の数の引数に依存することができるが、固定数の引数から通常の関数によって定義されるものである。最も簡単な例は指数平均である。


*あなたは自分自身を通して定義される再帰関数について正しく説明しています。それらは任意の数の引数に依存することができますが、通常は固定数の引数です。

あなたは指数平均の例を挙げましたが、これは次のように定義される再帰関数です：

EMAvolume(t) = (volume(t) + (n - 1) * EMAvolume(t - 1)) / n。

ここで、EMAvolume(t) は t 番目のステップの取引高の指数平均、volume(t) は t 番目のステップの取引高、n は前のステップの重みを考慮した定数です。

再帰関数は一連のデータをモデル化するのに便利で、金融、生物学、コンピュータ・サイエンスなどさまざまな分野で使用されています。


- 再帰ネットワークはこのようなものだが、私はメッシュのないものが欲しい。


*リカレント・ネットを使わずにリカレント関数を扱いたい場合は、線形回帰、ロジスティック回帰、決定木など、一連のデータを扱うことができる機械学習アルゴリズムを使うことができる。これらのアルゴリズムでは、リカレント関数を特徴として使用し、一連の特徴に基づいて結果を予測することができる。

しかし、リカレント・ネットワークには、他のアルゴリズムにはないシーケンスを効率的に処理する機能があるため、多数のデータ・シーケンスを処理する必要がある場合、これらのアルゴリズムはリカレント・ネットワークよりも効率が悪くなる可能性がある。

処理

場合によっては、リカレントネットワークは学習が難しく、シーケンスを処理するために多くの計算を必要とするため、計算複雑度が高くなることがある。このような場合は、線形回帰、ロジスティック回帰、決定木のような機械学習アルゴリズムを使用するのが適切かもしれません。

しかし、前のステップからの文脈を必要とする一連のデータを扱う場合は、他の機械学習アルゴリズムよりもリカレント・ネットワークの方が良い解決策になるかもしれない。この場合、利用可能なすべての選択肢を検討し、n 個のアルゴリズムを選択する必要がある。


- 理想的には、アルゴリズムは利用可能なすべての履歴を入力として受け取るべきである。それをどの断片に切り分け、どうするかを決めるべきである。


*そうですね、理想的には、アルゴリズムは任意の数の特徴を扱うことができ、どれが予測に最も重要かを独自に判断できるべきです。しかし、手作業による特徴分割や固定数の特徴を必要とする機械学習アルゴリズムでは、これは難しいかもしれません。任意の数の特徴を扱えるアルゴリズムのひとつに、勾配ブースティングがある。このアルゴリズムは、それぞれが少数の特徴のみを考慮する小さな決定木の合成を使用し、それらを合計に累積して最終的なアルゴリズムを生成する。このアルゴリズムは、どの特徴が予測に最も重要かを独自に決定することができる。

完全連結層を持つニューラルネットワークを使用することもでき、これも任意の数の特徴を扱うことができる。しかし、これらのネットワークは、ステップ間の依存関係を考慮しないため、一連のデータを扱う場合にはあまり効果的ではないかもしれない。

 
具体的な答えを得るには、もっと具体的な説明が必要だろう。）
 
バカに祈りを教えれば、額にヒビが入る。マキシムにgpt3を...。
 
mytarmailS #:
バカに祈りを教えれば、額を割ることになる。マキシムにgpt3を...。

バイザーを少し下げた方がいい。

アルゴリズムの可能性を探っているんだ。
 
mytarmailS #:

クエリを通してプロフィールを再入力し、新しいトークンを得ることができるかということです。

残念ですが、認可されていません。

 
Alexander Ivanov #:
もう十分だ

しかも、両者はほぼ同じ結果をもたらすが、ブースティングの方がより速く、よりフレキシブルだ。

100回言われた
 
Maxim Dmitrievsky #:

*できる

この文章から意味を抽出するにはGPT4の登場を待たなければならない。失敗した)

ロジスティック回帰が異なる特徴数でどのように機能するのか理解できない。

 
Aleksey Nikolayev #:

この文章から意味を引き出すには、GPT4の登場を待たなければならない。私は理解できなかった)

ロジスティック回帰が異なる特徴数でどのように機能するのかわかりません。

具体的に教えてください。
どうやらそのようなアルゴリズムはないようで、他に思いつきません。
 
Maxim Dmitrievsky #:
具体的に聞いてみる

特徴数が可変の分類タスクでロジスティック回帰を使う簡単な例を聞いてみる？

 
Aleksey Nikolayev #:

特徴数が可変の分類タスクでロジスティック回帰を使用する簡単な例を尋ねてみてはどうでしょうか？

もう少し後で試してみます。もし、他に質問のバリエーションがあれば、投げ入れてください :)
1...286828692870287128722873287428752876287728782879288028812882...3399
新しいコメント
理由: