ベイズ回帰 - このアルゴリズムを使ってEAを作った方はいらっしゃいますか? - ページ 43

 
Дмитрий:
定常性とはあるプロセスが時間の経過とともにその特性を変化させない性質の ことである。
具体的にはどのような特性ですか?
 
Dmitry Fedoseev:
具体的にはどのような特性ですか?
分散
 
Дмитрий:
分散
で終わり?
 
系列の分散が無限大に傾いている場合、そこで何を予測するのか?
 
Dmitry Fedoseev:
で終わり?
大まかに言えば、IOと分布関数もある
 
Дмитрий:
広義にはMOと分布関数も
そうすると、広義にはMOならストキャスティクスで十分なのです。ダメ?
 
Dmitry Fedoseev:
それから、大雑把に言うと、MOEならストキャスティクスで十分です。ダメ?
分散に集中する-問題の根源はそこにある
 
Дмитрий:

非定常データは、時系列モデルで予測できない。統計モデル(回帰、自己回帰、平滑化など)、構造モデル(NS、分類、マルコフ連鎖など)いずれもなし。

教科用モデルのみ。

分類については賛成できない。

そこでは非定常性の問題は全く見られない。ノミナル(カテゴリー)データに対するモデルも十分可能です。非定常性は名目データとは全く関係ない。さらに、確率変数を名目値に変換すること、例えばRSIを水準に変換することは、結果に非常に有利な影響を及ぼします。

そこには非定常性、あらゆるモデリングの基本であるモデルの過剰適合(オーバーフィッティング)という問題がつきまとう。そして、オーバーフィッティングの問題を解決するためには、予測因子と真剣に向き合わなければならない。

 
СанСаныч Фоменко:

分類については納得がいきません。

そこには非定常性の問題は全くない。名目(カテゴリー)データに対するモデルは全く問題ありません。非定常性は名目データとは全く関係ない。さらに、確率変数を名目値に変換すること、例えばRSIを水準に変換することは、結果に非常に有利な影響を及ぼします。

そこには非定常性、あらゆるモデリングの基本であるモデルの過剰適合(オーバーフィッティング)という問題がつきまとう。そして、オーバーフィッティングの問題を解決するためには、予測因子と真剣に向き合わなければならない。

また、分類は入力データの特性に基づいて行われ、その特性が時間の経過とともに変化すると、将来的に分類を適用したときに誤った予測が行われることになる
 
何もかもが悲しい...。