Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 81

 
mytarmailS :
Evet efendim :)

)))

Richlab'da ticaret yapıyor musunuz?

 
Alexey Burnakov :

)))

Richlab'da ticaret yapıyor musunuz?

hayır, tslab'dı, R'den veri boşaltıyorum ve zaten tslab ticaretinde R ile modelin sinyallerine göre simüle ediliyor, R-ke'de ticareti simüle etmekten sadece daha hızlı, daha kullanışlı ve daha görsel ve ayrıca dur kayıplar, alımlar, komisyonlar. karoch baş ağrısının hepsi yazmaktır
 
Dr.Tüccar :

4) Öğrenme sürecinde çapraz doğrulama yaparsanız, aynı veriler üzerinde birkaç kez tekrarlayın, sonuçların dağılımının ne kadar büyük olacağını görün, küçük bir dağılıma sahip modelleri ve tahmin edicileri seçin

Şimdi aklıma bu geldi ama olası sorunların sınırı bu kadar değil.

Şaşıracaksınız ve kesinlikle bana katılmayacaksınız (sadece siz değil :)) ama çapraz doğrulamanın piyasaya uygulandığında, en azından klasik uygulamasında etkili olduğuna inanmıyorum.

 
mytarmailS :

Şaşıracaksınız ve kesinlikle bana katılmayacaksınız (sadece siz değil :)) ama çapraz doğrulamanın piyasaya uygulandığında, en azından klasik uygulamasında, etkili olduğuna inanmıyorum.

Neden bu kadar az ağaç var?
 
mytarmailS :

Şaşıracaksınız ve kesinlikle bana katılmayacaksınız (sadece siz değil :)) ama çapraz doğrulamanın piyasaya uygulandığında, en azından klasik uygulamasında, etkili olduğuna inanmıyorum.

Çapraz doğrulamanın anlamını nasıl anladığınızla başlayalım. söyleyebilirsin?
 
San Sanych Fomenko :
Neden bu kadar az ağaç var?

Pekala, ne kadar çok ağaç olursa sistemin o kadar az işlem yaptığı ve kalitelerinin hiç artmadığı ortaya çıktı.

örneğin, modelim 10/5 parametresiyle 500 işlem yaparsa, o zaman 5/200 parametresiyle (5 bölme, 200 ağaç) bir işlem yapar veya hiç yapmaz, genelleme düşer, model aramaya başlar bazı çok net durumlar ne zamandı ama asla gelecekte olmayacaklar

 
Alexey Burnakov :
Çapraz doğrulamanın anlamını nasıl anladığınızla başlayalım. söyleyebilirsin?

senin gibi eminim

bölümü 5 parçaya 4 parçaya bölün, 5'inde çalışın, kontrol edin ve bölümleri olan tüm seçenekleri yineleyin, böylece numunenin 5 parçasının tamamında örnek dışı kontrolünün gerçekleşmesi ve ortalama hatayı hesaplayın

Henüz unutmadıysam öyle görünüyor

 
mytarmailS :

Pekala, ne kadar çok ağaç olursa sistemin o kadar az işlem yaptığı ve kalitelerinin hiç artmadığı ortaya çıkıyor.

örneğin, modelim 10/5 parametresiyle 500 işlem yaparsa, o zaman 5/200 parametresiyle (5 bölme, 200 ağaç) bir işlem yapar veya hiç yapmaz, genelleme düşer, model aramaya başlar bazı çok net durumlar ne zamandı ama asla gelecekte olmayacaklar

İlginç fikir. Görünüşe göre aşırı uyum ile mücadele ettiğiniz ağaç sayısı?
 
mytarmailS :

senin gibi eminim

bölümü 5 parçaya 4 parçaya bölün, 5'inde çalışın, kontrol edin ve bölümleri olan tüm seçenekleri yineleyin, böylece numunenin 5 parçasının tamamında örnek dışı kontrolünün gerçekleşmesi ve ortalama hatayı hesaplayın

Henüz unutmadıysam öyle görünüyor

Evet. Bu ne için? Optimum öğrenme parametrelerini bulmak için.

Bu yaklaşımın neyini sevmiyorsunuz? Ayarları nasıl seçeceksiniz?

 
San Sanych Fomenko :
İlginç fikir. Görünüşe göre aşırı uyum ile mücadele ettiğiniz ağaç sayısı?

Kesinlikle bu şekilde değil...

yazdıklarım sadece benim yaklaşımım için geçerlidir, farklı şekilde anlayacaksınız.

nasıl hedef aldığımı biliyorsun, bu geri dönüşler

"yukarı", "aşağı" ve "dönmemek" ( 1 , -1 , 0) olmak üzere üç dönüş sınıfım var

Ayrıca sınıflardaki çarpıklığın devasa olduğunu da biliyorsunuz, "0" sınıfı "-1" ve "1"den on kat daha fazladır.

ve bu, modelin en iyi "0" sınıfında eğitildiği anlamına gelir, çünkü çoğu gözlemi hesaba katar ve modeli eğitirken, daha fazla ağaç, daha fazla "0" sınıfı eğitilir ve "0" sınıfı daha iyi ve daha güçlü hale gelir. "1", "-1" sınıflarını olduğu gibi (absorbe-sıkıştır) öğrenmeye başlar, bu yüzden daha fazla ağaç, daha az işlem