Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3166

 
СанСаныч Фоменко #:

Sadece sinir bozucusun, guru! Beni bilmem ama siz biliyorsunuz - pazarınıza bakın!

Etrafınızdaki dünyanın acı verici algısı ve paketlerdeki kutsal inançtan başka bir şeyiniz kaldı mı, yoksa kumbara tükendi mi? )

Her gün hakkında hiçbir şey bilmediğiniz paketler hakkında bir şeyler okuyorum.

Yoksa Groundhog Day mi?
 
Forester #:

Rastgele verilerde kalıplar bulmaya çalışan bu destansı çabayı sona erdirmenin zamanı geldi.

Evet.

ya da ataleti düşünmeyi bırakıp sonuçlara ayık bir şekilde bakmanın zamanı geldi.

 
Forester #:

Korse yoluyla öğrenmenin sonuçları genellikle kötü değildir

10 ila 21. yıllar arasında %30 oranında bir korse bulunmuştur (bu alandaki rastgele geçmişin %30'u öğrenmeye katılmıştır), diğer yıllar genellikle saf OOS

Terminalde şu şekilde görünür


 

Koreseti belirlemek için birçok yöntem vardır. İşte en popüler yöntemlerden bazıları:

  • Rastgele alt küme: Orijinal veri kümesinden rastgele bir nokta alt kümesi seçin. Bu, bir çekirdek küme elde etmenin en kolay yoludur, ancak her zaman en iyi kaliteyi sağlamaz.
  • Referans noktaları: Orijinal veri kümesinden makine öğrenimi algoritmasının tahmini üzerinde büyük etkisi olan noktaları seçin . Bu, bir çekirdek küme elde etmek için rastgele bir alt kümeden daha verimli bir yoldur, ancak daha karmaşık olabilir.
  • Kümeleme: Orijinal veri kümesindeki noktaları benzerliklerine göre gruplandırın . Her gruptan bir noktayı çekirdek küme olarak seçin. Bu, orijinal veri kümesini iyi temsil eden bir çekirdek kümesi elde etmenin etkili bir yoludur, ancak daha karmaşık olabilir.
  • Hemometrik kernel: Hemometrik kernel kullanarak kaynak veri kümesinden noktalar seçin . Bu, makine öğrenimi algoritmalarının kalitesini artırmak için kullanılabilecek güçlü bir çekirdek kümesi elde etme yöntemidir.
  • Genişletilmiş rastgele alt küme: Bu yöntem orijinal veri kümesinden rastgele noktalar seçer, ancak daha yüksek olasılıkla makine öğrenimi algoritmasının tahmini üzerinde yüksek etkiye sahip noktaları seçer. Bu, iyi kalite sağlayan ve çeşitli makine öğrenimi görevleri için kullanılabilen bir çekirdek küme elde etmenin etkili bir yoludur.

Tüm makine öğrenimi görevleri için uygun bir çekirdek kümesi elde etmenin evrensel bir yolu olmadığına dikkat etmek önemlidir. Çekirdek kümesi elde etme yönteminin seçimi, özel göreve ve mevcut hesaplama kaynağına bağlıdır.

*Ozan

 
Maxim Dmitrievsky #:

Korse yoluyla öğrenmenin sonuçları genellikle kötü değildir

10 ila 21. yıllar arasında %30 oranında bir korse bulunmuştur (bu alandaki rastgele geçmişin %30'u öğrenmeye katılmıştır), geri kalan yıllar genellikle saf OOS

Terminalde şu şekilde görünür


Altı aydan bir yıla kadar süren düşüş dönemleri de var. Buna hazır mısınız? Özellikle de düşüş gerçek anlamda lansmandan hemen sonra başlarsa?

 
Forester #:

Altı aydan bir yıla kadar süren düşüş dönemleri de var. Buna hazır mısınız? Özellikle de gerçek anlamda başladığınızda düşüş hemen başlarsa?

Genellikle çeşitlendirin.

Bu grafikler diğer enstrümanlarda da kârlı olacaktır. Ve eğer hepsinin genel eğilimi sunulan grafikteki ile aynı olacaksa, bu garantili bir yatırım istikrarıdır.

Sadece en büyük kurtarma faktörünü yaratacak bir araç portföyü oluşturmanız gerekir
 
Forester #:

Altı aydan bir yıla kadar süren düşüş dönemleri de var. Buna hazır mısınız? Özellikle de gerçek anlamda başladığınızda düşüş hemen başlarsa?

Ben 20 yıl üzerine bahse girmeye hazır değilim :) bu daha çok bir vaka çalışması.

10 yıllık eğitimle iyiyim - 1 yıllık OOS, tamam.

ancak çok fazla gürültü var, bazen model neredeyse tüm örnekleri işe yaramaz olarak atıyor, 3 işlem kalıyor

Normalde asla tahmin edilemeyen tarih parçaları da var.

Sonuç olarak, çok ödüllendirici bir faaliyet değil.

Eski alıcıyı döndürmek ve yanlışlıkla gürültülü bir dalgaya çarpmak gibi.

 

Bir kez daha tahmin yapmak için bir modele ihtiyacınız olduğuna ikna oldum.

Model gereksiz olanı (gürültüyü) ortadan kaldırarak gerekli olanı (sinyali) bırakır, mümkünse gerekli olanı (sinyali) güçlendirir, ayrıca model daha deterministiktir, modellerde daha fazla tekrarlanabilirlik....

örnek olarak.

yüksek-düşük minutka fiyatları.


Ayrıca fiyatın en basit basitleştirmesini oluşturuyoruz (bir model oluşturuyoruz).

Daha sonra boyut azaltma için bilinen basit bir algoritma yardımıyla fazlalıkları kaldırıyoruz (modeli iyileştiriyoruz), model daha tekrarlanabilir hale geliyor.

ve son olarak belki de dekoratif bir dokunuş.


MO'nun bu tür veriler üzerinde nasıl eğitileceğini merak ediyorum.

Bu bir test örneği.

Confusion Matrix and Statistics

          Reference
Prediction    -1     1
        -1 24130  2780
        1   4478 23613
                                          
               Accuracy : 0.868           
                 95% CI : (0.8652, 0.8709)
    No Information Rate : 0.5201          
    P-Value [Acc > NIR] : < 2.2e-16       
                                          
                  Kappa : 0.7363          
                                          
 Mcnemar's Test P-Value : < 2.2e-16       
                                          
            Sensitivity : 0.8435          
            Specificity : 0.8947          
         Pos Pred Value : 0.8967          
         Neg Pred Value : 0.8406          
             Prevalence : 0.5201          
         Detection Rate : 0.4387          
   Detection Prevalence : 0.4893          
      Balanced Accuracy : 0.8691          
                                          
       'Positive' Class : -1  

Daha önce hiç böyle rakamlar gördünüz mü?




 
СанСаныч Фоменко #:

Tam adı ne? Yoksa ev yapımı mı?

Uzun yıllardır farklı "ahşap" modeller kullanıyorum ve hiç böyle bir şey görmedim.

Ne demek ev yapımı? Teorik bir gerekçe, iyi bir makale var. RLTv3.2.6 diye bir paket var. İyi çalışıyor. Sürüme dikkat etmelisiniz.

Python'da ahşap modeller için ONNX hakkında. Bakınız skl2onnx paketi.

Desteklenen scikit-learn modelleri. Desteklenen son seçenek kümesi 15'tir.

İyi şanslar

skl2onnx
  • 2023.05.09
  • pypi.org
Convert scikit-learn models to ONNX
 
Ve asıl kendi kendini yetiştiren adam Breiman, çünkü R'de yazmadı. O tam bir hacker.