Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3356
![MQL5 - MetaTrader 5 müşteri terminalinde yerleşik ticaret stratejileri dili](https://c.mql5.com/i/registerlandings/logo-2.png)
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Birinin en azından ipucunu Google'da aratacağını umuyordum.
Modelin sonucunu 0.05 adımlı "olasılık" aralıklarında gösterir. CatBoost, sınıf ayrımını oldukça doğru bir şekilde 0,5'e koyuyor (magnetta 1, aqua 0).
Yüzgeç sonucunun 0,35'ten itibaren pozitif olduğunu görebilirsiniz - yeşil eğri kırmızı eğrinin üzerinde yükselir.
Kalibre etmek istediğiniz şey bu mu - sınıf ayrımı noktasını gelir yaratma noktasına kaydırmak?
Kalibre etmek istediğiniz şey tam olarak bu mu - sınıfsal bölünme noktasını gelir yaratma noktasına kaydırmak?
Hayır.
O zaman amaç ne?
Sanırım herkes kalibrasyon hakkında bir şeyler duymuştur, ancak tam da örnek temsil edici olmadığı için pratikte bir faydası yoktur.
Bence tek tek yaprakların olasılıksal tahmini, modelin yapraklarının toplamını yeniden ağırlıklandırmaktan daha makul bir sonuç verir.
Sanırım herkes kalibrasyonu duymuştur, ancak örnek temsil edici olmadığı için pratik bir faydası yoktur.
Bence tek tek yaprakların olasılıksal tahmini, modelin yapraklarının toplamının yeniden ağırlıklandırılmasından daha makul bir sonuç verir.
Herkes her şeyi duydu ama kimse hiçbir şeye cevap vermedi. Açıklanmayan, ancak sadece bunun olduğu tahmin edilen diğer nüanslardan bahsetmiyorum bile.
Şimdi, her aralık için EMA gibi bir ağırlık ile sabit kalibrasyon fikrini buldum. O zaman en azından piyasa oynaklığına ve model eskimesine adaptasyonun bir etkisi olacaktır.
Bazı ayrı veriler üzerinde statik kalibrasyonda herhangi bir anlam görmüyorum. Tahmin edicilerimde istatistiksel göstergelerin istikrarı konusunu araştırdım ve bu tür göstergeler çok az ve model bu tür düzensiz tahmin edicilerle dolu. Bu yüzden böyle bir şeyin uygulanabileceği bir kararlılık arıyorum.....
Yukarıdaki ekran görüntüsünde modeli kesit olarak gösterdim - kenarlardaki Recall'ın genellikle ne kadar düşük olduğunu görebilirsiniz, bu da zaten aynı ağırlıklandırma için eşit istatistiksel ölçülerden bahsetmiyor ve çoğu zaman teoride bile bu "olasılık" aralığında istikrar hakkında konuşmak için yeterli olmayacaklar. Dolayısıyla bu açıdan da toplamın kalibre edilmesi şüpheli bir fikir gibi görünüyor.
Yapraklardaki değerlerin yeniden ağırlıklandırılması fikriyle daha çok ilgileniyorum, ancak bu konuda daha önce yazmıştım, ancak burada herhangi bir geri bildirim almadım - bu yüzden hepsi kendi başıma....
https://education.yandex.ru/handbook/ml/article/veroyatnostnyj-podhod-v-ml
https://education.yandex.ru/handbook/ml/article/kak-ocenivat-veroyatnosti