記事「MQL5の分類タスクを強化するアンサンブル法」についてのディスカッション

[MetaQuotes]

新しい記事「MQL5の分類タスクを強化するアンサンブル法」はパブリッシュされました:

本記事では、MQL5における複数のアンサンブル分類器の実装を紹介し、それらがさまざまな状況下でどれほど効果的に機能するかについて論じます。

本記事で取り上げるアンサンブル分類器は、その構成要素である分類モデルについて、以下のような前提条件のもとで設計されています。まず、これらのモデルは相互に排他的かつ網羅的なクラスラベルを持つデータで学習されており、各インスタンスは必ず一つのクラスに所属することが前提です。「上記のいずれでもない」といった選択肢が必要な場合、それは独立したクラスとして扱うか、所定の閾値を用いた数値的手法で対応する必要があります。さらに、予測変数の入力ベクトルが与えられると、各モデルはN個の出力を生成することが期待されます（Nはクラス数を意味します）。これらの出力は、各クラスへの所属確率や信頼スコアであることもあれば、1つの出力のみが1.0（真）で、他は0.0（偽）となるような単純な二分決定である場合もあります。また、1〜Nの整数による順位付けで相対的な所属可能性を表すような出力もあり得ます。

本稿で紹介するいくつかのアンサンブル手法は、順位付けされた出力を生成する分類器から大きな恩恵を受けます。クラス所属の確率を正確に推定できるモデルは非常に有用ですが、出力が実際には確率を表していないにもかかわらず、それを確率として扱うことには大きなリスクがあります。出力の意味が曖昧な場合、順位に変換することで有効に活用できる場合があります。順位情報の有用性はクラス数が増えるほど高まります。2クラスの分類問題ではランクは追加情報を提供しませんし、3クラスの問題においてもその恩恵は限定的です。しかし、多数のクラスが関与する場合、予測に不確実性があるときでも次点のクラス選択を解釈できることは大きな意味を持ちます。たとえば、サポートベクターマシン(SVM)を拡張して、単なる二項分類だけでなく、各クラスに対する決定境界までの距離を出力させることで、予測信頼度に関するより深い洞察を得ることが可能です。

作者: Francis Dube