Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3317

 
Andrey Dik #:

Fique onde você está. Todos são estúpidos, menos você, portanto, é você quem responde às perguntas.

O que é isso? O que é aquele rubor vermelho ali? É redondo, vermelho, lá embaixo.


Eu nunca vi um gráfico como esse antes.

Ficcionista, você está inventando coisas e forçando discussões sobre coisas que não existem.

Na verdade, é normal obter um gráfico como esse de algum modelo, em vez de ficar tagarelando aqui por anos.

 
Portanto, na parte inferior global de seu gráfico, há um grande excesso de treinamento porque a curva do eixo vai o mais para cima possível.
 
Andrey Dik #:

Entendi corretamente que você pensa em aprendizado como encontrar a resposta de uma função sem alguns de seus membros?

Por exemplo, temos observações A+B+C=Y, A e B - como preditores, e C é desconhecido. Conhecendo as respostas (marcação) na amostra por meio da otimização, selecionamos a compensação do valor de C, que pode ser expressa por meio de manipulações, incluindo a multiplicação por coeficientes no caso de NS, ou por meio de regras mútuas. Ou seja, há uma investigação ativa da função para substituir as variáveis ausentes e chegar à resposta correta. Supõe-se que os resultados do cálculo da função na amostra sejam suficientemente representativos para que o resultado possa ser usado em novos dados.

Entretanto, no caso da otimização no testador, podemos alterar os valores das variáveis (essencialmente representando-as como funções), supondo que não as conheçamos, ou até mesmo saber quais delas darão mais peso à nossa função compensatória na forma de regras que aproximam os valores de Y.

 

Mais perguntas do chatGPT.


Max, [26 Oct 2023, 18:59:31]:

Como o Dilema do Deslocamento-Dispersão se relaciona com o fato de encontrar um mínimo global?


ChatGPT e Midjourney | AI bot, [26 Oct 2023, 18:59:38]:

O dilema da dispersão de viés refere-se ao problema de seleção de modelos no aprendizado de máquina. Ele indica que, à medida que a complexidade do modelo aumenta (por exemplo, adicionando novos recursos ou aumentando o número de parâmetros), há um aumento na variância (dispersão) das previsões do modelo, mas pode haver um viés (erro) em relação aos modelos mais simples.


Por outro lado, encontrar o mínimo global refere-se à otimização dos parâmetros do modelo. O objetivo é selecionar valores de parâmetros nos quais o valor mínimo da função de erro seja alcançado. Entretanto, com um grande número de parâmetros e a complexidade do modelo, encontrar o mínimo global pode ser difícil ou até mesmo impossível.


Assim, o dilema da polarização-dispersão e a busca por um mínimo global estão relacionados ao fato de que a seleção de um modelo muito complexo para um problema de aprendizado de máquina pode causar um problema de supertreinamento (alta variação), enquanto o uso de um modelo muito simples pode causar um problema de subtreinamento (alta polarização). Isso pode dificultar a localização do mínimo global e levar a resultados abaixo do ideal. Portanto, é importante encontrar um equilíbrio entre a complexidade do modelo e sua capacidade de generalizar os dados para obter resultados ideais.

 

Max, [26 Oct 2023, 19:03:50]:

O modelo ideal deve corresponder ao mínimo global nesse caso, ou não?


ChatGPT & Midjourney | AI bot, [26 Oct 2023, 19:03:54]:

Não, o modelo ideal não corresponde necessariamente ao mínimo global. Em alguns casos, especialmente na presença de ruído nos dados, o mínimo global pode ser alcançado com o retreinamento do modelo. Esse modelo pode mostrar alta precisão nos dados de treinamento, mas generalizar mal os dados para novos exemplos.


Em vez disso, o modelo ideal deve estar próximo do mínimo global, mas com baixa variância e tendência. Esse modelo produzirá previsões estáveis e precisas sobre novos dados. Portanto, é importante considerar não apenas a precisão do modelo nos dados de treinamento, mas também sua capacidade de generalizar para novos exemplos ao selecionar o modelo ideal.

 
Aleksey Vyazmikin #:

Entendi corretamente que você representa o aprendizado como a descoberta da resposta de uma função sem alguns de seus membros?

Por exemplo, temos observações A+B+C=Y, A e B - como preditores, e C é desconhecido. Conhecendo as respostas (marcação) na amostra por meio da otimização, selecionamos a compensação do valor de C, que pode ser expressa por meio de manipulações, incluindo a multiplicação por coeficientes no caso de NS, ou por meio de regras mútuas. Ou seja, há uma investigação ativa da função para substituir as variáveis ausentes e chegar à resposta correta. Supõe-se também que os resultados do cálculo da função na amostra sejam suficientemente representativos, o que permitirá usar o resultado em novos dados.

No entanto, no caso da otimização no testador, podemos alterar os valores das variáveis (essencialmente representando-as como funções), supondo que não as conheçamos, ou mesmo que saibamos quais delas darão mais peso à nossa função compensatória na forma de regras que aproximam os valores de Y.

Não entendi muito bem a pergunta. Por favor, esclareça.

 
Maxim Dmitrievsky chatGPT.


Max, [26 Oct 2023, 18:59:31]:

Como o Dilema do Deslocamento-Dispersão se relaciona com a busca de um mínimo global?


ChatGPT & Midjourney | AI bot, [26 Oct 2023, 18:59:38]:

O dilema da polarização-dispersão refere-se ao problema de seleção de modelos no aprendizado de máquina. Ele indica que, à medida que a complexidade do modelo aumenta (por exemplo, adicionando novos recursos ou aumentando o número de parâmetros), há um aumento na variância (dispersão) das previsões do modelo, mas pode haver um viés (erro) em relação aos modelos mais simples.

Como é proposto considerar a variação (spread) do erro na classificação em vez da regressão?

 
Maxim Dmitrievsky #:

Max, [26 Oct 2023, 19:03:50]:

O modelo ideal deve corresponder ao mínimo global nesse caso, ou não?


ChatGPT & Midjourney | AI bot, [26 Oct 2023, 19:03:54]:

Não, o modelo ideal não corresponde necessariamente ao mínimo global. Em alguns casos, especialmente na presença de ruído nos dados, o mínimo global pode ser alcançado com o retreinamento do modelo. Esse modelo pode mostrar alta precisão nos dados de treinamento, mas generalizar mal os dados para novos exemplos.


Em vez disso, o modelo ideal deve estar próximo do mínimo global, mas com baixa variância e tendência. Esse modelo produzirá previsões estáveis e precisas sobre novos dados. Portanto, é importante considerar não apenas a precisão do modelo nos dados de treinamento, mas também sua capacidade de generalizar para novos exemplos ao selecionar o modelo ideal.

Pergunte à GPT: quando você deve parar de treinar? Você ainda não respondeu a essa pergunta.

 
Andrey Dik #:

Não estou entendendo bem a pergunta. Por favor, esclareça.

Portanto, meus cálculos não estão corretos e a resposta é "não" - você tem uma ideia diferente do processo.