交易中的机器学习：理论、模型、实践和算法交易 - 页 2406

新评论
 
长期以来，各地都将熵作为损失fi或交叉熵来使用。此外，所有这些对浮动法的排行并不重要，如果有，也是次要的。解决方案就在表面上，其中一个变体已经在这个主题中被提出，工作起来很不稳定。我暂时不说细节，但我有一天会写一篇文章。Z.I.可能对表面有点兴奋，但至少对我来说😀。
 
参考度量衡，自己不知道一些https://russianblogs.com/article/7586220986/
 
Maxim Dmitrievsky:
衡量标准的参考，我自己不知道一些https://russianblogs.com/article/7586220986/

如果符号均匀地分布在一个单位立方体中，切比雪夫公制在直觉上似乎是最正确的一种。另一点是，任意的特征不太可能被规范化得这么好。

 
Aleksey Nikolayev:

如果特征均匀地分布在一个单位立方体中，切比雪夫度量直观上似乎是最正确的。另一件事是，它不太可能将任意属性规范化得那么好。

我试验了归一化，在模型中得到了体面的损失，没有归一化我得到了更好的结果。这就是为什么是树木的森林，而不是神经网络。
 
马克西姆-德米特里夫斯基：
实验了正常化，在模型中得到了体面的损失，没有它更好。因此，是树木的森林，而不是神经网络。
类似的结论--只有树木。特别是当Maxima被更新时，一切都会发生转变，非常有趣。当然，你可以手动或自动设置最大值（针对每个特征），但这是拐杖。
 
马克西姆-德米特里夫斯基：
实验了正常化，在模型中得到了体面的损失，没有它更好。这就是为什么是树木的森林，而不是神经网络。

我也倾向于（也 要感谢你的努力）像xgboost 这样的东西。但是，规范化以及具有特征的一般准备性研究，永远不会有坏处。我还需要一个灵活的方法来建立一个自定义的目标函数。

 
Maxim Dmitrievsky:
因此是树木的森林，不是神经网络。

是的，几年前有人在这个主题中写了这样一个想法--建议森林，并将神经网络与核武器相比较。他说，只有在其他方法无能为力的情况下，才应使用这些方法。但有些马克西姆却对他大倒苦水。

我想知道...他是对的吗？

 
Aleksey Nikolayev:

我也倾向于（也 要感谢你的工作）像xgboost 这样的东西。但是，规范化，以及具有特征的一般准备性研究工作，永远不会受到伤害。同时，我们需要灵活的方法来建立自定义的目标函数。

推荐LightGBM或CatBoost，XGBoost落后了。

事实证明，任何预处理都会杀死阿尔法。这是如果你采取增量并开始烘干它们。最理想的是采取原始系列（报价），但由于它的非平稳性，你不能训练它。这一点可以在有关分化的文章中清楚地看到（我们将埋葬市场的记忆）。应用的转化越多，留在那里的东西就越少。

 
Dmytryi Nazarchuk:

是的，几年前在这个主题中有人写了这样一个想法--他建议建立脚手架，并将神经网络与核武器相比较。他说，只有在其他方法根本无法实现的情况下，才应该使用这些方法。但有些马克西姆却对他大倒苦水。

我想知道...他是对的吗？

我不知道他在说什么。

 
elibrarius:
类似的结论--只限于树木。特别是当Maxima被更新时，一切都会发生转变，非常有趣。当然，你可以手动或自动设置最大值（针对每个功能），但这是一个拐杖。

是的，无论结果如何，都是无稽之谈

1...239924002401240224032404240524062407240824092410241124122413...3399
新评论