Maxim Dmitrievsky #: それはわかります、因果の森も調べてみては どうでしょう。By the way, I haven't studied it, but if someone understands it, it would be interesting to read about experiments with it
同じランダムフォレストでも、因果関係を解釈するようです。So you, as a populariser among us of forests and now of causal forests, have the cards in your hands).
追加空白、時間は事実上ヌル特徴である
因果の森について調べてみるのもいい。ところで、私はそれを研究したことがないのですが、もし誰かがそれを解明するのであれば、それを使った実験について読むと面白いと思います。
私のスコは「予測能力」の偏差です。モデル自体の推定とは何の関係もない。
いいえ、私のスコは「予測能力」の偏差についてです。モデルそのものの評価とは何の関係もない。
同じような実験の過程で、私はあらゆる方法を試した。難しいことではない。相関、相互情報、knnから始まり、OLS、SVM、フォレスト、ブススティング、ニューラルネットワーク(ディープなものには手を出さなかった)。結果的にはboustingが一番良かった。OLSは2位だ。
いや、私のスコは「予測能力」の偏差についてだ。モデルそのものの評価とは何の関係もない
モデルのパラメータがステップごとに大きくジャンプしている可能性はありますか?つまり、各ステップでの「予測力」は良好であるにもかかわらず、望ましい依存関係は非常に異なって配置され、常に変化している。もしそうなら、これはオーバートレーニングの一種かもしれない。
それはわかります、因果の森も調べてみては どうでしょう。By the way, I haven't studied it, but if someone understands it, it would be interesting to read about experiments with it
同じランダムフォレストでも、因果関係を解釈するようです。So you, as a populariser among us of forests and now of causal forests, have the cards in your hands).
しかし、私はまだ因果関係をトレードに応用することを理解していない。、フレンドリーなー。
ー同じランダムフォレストでありながらー因果関係のー解釈のーである。森と因果解釈の普及者であるあなたが、そのカードを手にしたわけだ)。
Still, I don't understand the application of causal for trading yet.ググってみても、直接的な応用例は見つからず、間接的な応用例、例えば、株価がFXに与える影響を研究するようなものしか見つからない。
ステップごとにモデルのパラメータが大きくジャンプしている可能性はないだろうか?つまり、各ステップでの「予測可能性」が良好であるにもかかわらず、望ましい依存関係が非常に異なって配置され、常に変化している。もしそうなら、これは一種のオーバートレーニングかもしれない。
私の場合、ご質問にお答えすることは不可能です。モデルは各ステップで再学習されており、当然特徴セットは異なるステップで異なるかもしれません。
分類エラーは20%から10%まで様々です。25% has never happened.
同じような実験の過程で、私はあらゆる方法を試した。難しいことではない。相関、相互情報、knnから始まり、OLS、SVM、フォレスト、ブススティング、ニューラルネットワーク(ディープなものには手を出さなかった)。結果的にはboustingが一番良かった。OLSは2位だ。
上記のアルゴリズムはどれも予測力を与えないし、アルゴリズムがどれだけ頻繁に 特徴を使用するかを示す重要度を愚直に計算する何百ものMOアルゴリズムも予測力を与えない:MOアルゴリズムにゴミを与えると、どのMOアルゴリズムもそのゴミの重要度を計算する。
上記のアルゴリズムはどれも予測力を与えませんし、アルゴリズムによってその特徴が使われる頻度を 示す重要度を愚直に計算する何百ものMOアルゴリズムもありません:MOアルゴリズムにゴミを投入すれば、どんなMOアルゴリズムでもそのゴミの重要度を計算する。