Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 163
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
1) Rastgele orman algoritmaları yazarının ilk yayınlarına bakarsanız, o zaman yazar oldukça ciddi bir şekilde rf'nin yeniden eğitime eğilimli olmadığını belirtti ve birçok örnek verdi. Randomforest paketinin kendisi, en ufak bir fazlalık şüphesini bile ortadan kaldıracak şekilde oluşturulmuştur.
Bununla birlikte, en yeniden eğitilebilir algoritma rastgele ormandır. Şahsen yandı.
2) Makine öğrenimi ile ilgili yayınların büyük çoğunluğu ikinci dosyanın herhangi bir analogu üzerinde test edilmemiştir. Nedeni banal. Algoritmalar zaman serilerine UYGULANMAZ. Ve bir numaralı dosyanın rastgele bölünmesinin oldukça yeterli olduğu ortaya çıktı. Ve bu, örneğin el yazısı metni tanırken geçerlidir.
1) Hem orman hem de GBM ve diğer yöntemler yeniden eğitilir. Katlama verilerinin arka planına karşı görünmez ve çok gürültülü olanlarda çok fark edilir.
2) Evet, farklı bir zaman aralığında ek örnekler üzerinde iç içe çapraz doğrulamanın başlatılmasını tartışan yayınlar var.
2) Evet, farklı bir zaman aralığında ek örnekler üzerinde iç içe çapraz doğrulamanın başlatılmasını tartışan yayınlar var.
sakıncası yoksa link
Tartışmalardan biri: http://stats.stackexchange.com/questions/65128/nested-cross-validation-for-model-selection
Orada: /go?link=https://stats.stackexchange.com/questions/103828/use-of-nested-cross-validation
Tartışmalarda makalelere bağlantılar var.
İlginç makalelerden biri: http://www.andrewng.org/portfolio/preventing-overfitting-of-cross-validation-data/
Adından da anlaşılacağı gibi, çapraz doğrulama doğrulama kıvrımlarında model değerlendirme aşamasında gerçekleşen yeniden eğitimden bahsediyoruz. Buna göre, çapraz doğrulamaya ek olarak, halihazırda seçilmiş olan modeli değerlendirmek için başka bir örneğe ihtiyaç vardır.
Kısacası (zaten bunun hakkında yazdı):
Çapraz doğrulama yoluyla seçilen model, başka bir gecikmeli örnekle yeniden doğrulanmalıdır.
Ayrıca, iç içe çapraz doğrulama, n k-katlı çapraz doğrulamanın (farklı veriler üzerinde) oluşturulmasını ve ardından n ertelenmiş numunede (her seferinde farklı verilerde) sonraki doğrulamayı ifade eder.
Ve hatta hepsi bu kadar değil. Gecikmeli numunelerin üst katmanında, örneğin bu gecikmiş numunelerden elde edilen verilere dayalı bir model komitesi gibi bir yeniden seçim yapılırsa, komitenin başka bir gecikmiş numune üzerinde doğrulanması gerekir.
İdeal olarak, bu süreç:
k-fold кроссвалидация
-------------------------------- повторилась n раз
------------------------------------------------------------- на полученных данных сформирован комитет
------------------------------------------------------------------------------------------------------------------------ комитет валидирован на еще одной выборке из будущего
Sonuçların DAĞILIMINI en üst düzeyde ALMAK için bir kez değil, m kez tekrarlamanız gerekir. Bu, seçim yanlılığını pratik bir minimuma indirir.
Ama aynı zamanda beklenen değer, örneğin EF önemli ölçüde düşebilir... Ağrı.
farklı bir zaman aralığında ek örnekler üzerinde iç içe çapraz doğrulamanın tanıtılması.
Ben de benzer bir şey yapıyorum. Diyelim ki bir yıllık eğitim için veri var. Biri Ocak verisi, biri Şubat verisi, biri Mart verisi olmak üzere 12 model eğiteceğim. Tahmin edicileri ve model parametrelerini seçerek, küçük veri alanlarında eğitilmiş bu modellerden herhangi birinin yıl boyunca iyi bir şekilde işlem görmesini sağlıyorum, bu, kullanılan tahmin edicilerin birbirleriyle sürekli ilişkileri olduğu konusunda biraz umut veriyor. Tüm bu modeller topluluğunun yardımıyla yeni veriler hakkında bir karar veriyorum.
Denediğim tüm çapraz doğrulamalar arasında bu, yeni veriler üzerinde en iyi sonuçları verdi. Ancak çözülmemiş birçok sorun var - kaç model olmalı, yani. 12 yerine yüz antrenman yapabilirim ama bir anlamı var mı? Ticaret değerlendirmesi de önemlidir, rf veya keskin dahil herhangi bir şeyi seçmek için deneysel olarak en iyisini seçmeniz gerekir.
Ben de benzer bir şey yapıyorum. Diyelim ki bir yıllık eğitim için veri var. Biri Ocak verisi, biri Şubat verisi, biri Mart verisi olmak üzere 12 model eğiteceğim. Tahmin edicileri ve model parametrelerini seçerek, küçük veri alanlarında eğitilmiş bu modellerden herhangi birinin yıl boyunca iyi bir şekilde işlem görmesini sağlıyorum, bu, kullanılan tahmin edicilerin birbirleriyle sürekli ilişkileri olduğu konusunda biraz umut veriyor. Tüm bu modeller topluluğunun yardımıyla yeni veriler hakkında bir karar veriyorum.
Denediğim tüm çapraz doğrulamalar arasında bu, yeni veriler üzerinde en iyi sonuçları verdi. Ancak çözülmemiş birçok sorun var - kaç model olmalı , yani. 12 yerine yüz antrenman yapabilirim ama bir anlamı var mı? Ticaret değerlendirmesi de önemlidir, rf veya keskin dahil herhangi bir şeyi seçmek için deneysel olarak en iyisini seçmeniz gerekir.
Ben de benzer bir şey yapıyorum. Diyelim ki bir yıllık eğitim için veri var. Biri Ocak verisi, biri Şubat verisi, biri Mart verisi olmak üzere 12 model eğiteceğim. Tahmin edicileri ve model parametrelerini seçerek, küçük veri alanlarında eğitilmiş bu modellerden herhangi birinin yıl boyunca iyi bir şekilde işlem görmesini sağlıyorum, bu, kullanılan tahmin edicilerin birbirleriyle sürekli ilişkileri olduğu konusunda biraz umut veriyor. Tüm bu modeller topluluğunun yardımıyla yeni veriler hakkında bir karar veriyorum.
Denediğim tüm çapraz doğrulamalar arasında bu, yeni verilerde en iyi sonuçları verdi. Ancak çözülmemiş birçok sorun var - kaç model olmalı, yani. 12 yerine yüz antrenman yapabilirim ama bir anlamı var mı? Ticaret değerlendirmesi de önemlidir, rf veya keskin dahil herhangi bir şeyi seçmek için deneysel olarak en iyisini seçmeniz gerekir.
Tartışmalardan biri: http://stats.stackexchange.com/questions/65128/nested-cross-validation-for-model-selection
Orada: /go?link=https://stats.stackexchange.com/questions/103828/use-of-nested-cross-validation
Tartışmalarda makalelere bağlantılar var.
İlginç makalelerden biri: http://www.andrewng.org/portfolio/preventing-overfitting-of-cross-validation-data/
Adından da anlaşılacağı gibi, çapraz doğrulama doğrulama kıvrımlarında model değerlendirme aşamasında gerçekleşen yeniden eğitimden bahsediyoruz. Buna göre, çapraz doğrulamaya ek olarak, halihazırda seçilmiş olan modeli değerlendirmek için başka bir örneğe ihtiyaç vardır.