交易中的机器学习：理论、模型、实践和算法交易 - 页 3360

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:
我根本不是在竞选。方法有很多，问题是关于 MO 的知识。

好吧，我个人并没有把模型的答案与某个班级退学的概率联系起来，我把它看作是模型对班级定义的信心。信心是用叶子来计算的，叶子是用训练样本来计算的。在这里，单个叶片将显示 "类退出 "的概率。由于每片叶子在样本的所有点上都没有响应，因此在模型的最终响应中，概率的求和会被扭曲。也许有办法在这个层面上进行修正--我对此很感兴趣--我试图将讨论转向这个方向。

在我看来 - 解决办法是根据相似的响应点对树叶进行分组，并进一步转换各组的平均汇总结果....。

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

好吧，我个人并没有把模型的反应与辍班概率联系起来，而是把它当作模型对班级检测的信心。信心基于树叶，而树叶基于训练样本。在这里，单个叶片将显示掉类的概率。由于每片叶子在样本的所有点上都没有响应，因此在模型的最终响应中，概率的求和被扭曲了。也许有办法在这个层面上进行修正--我对此很感兴趣--这也是我试图将讨论转向的方向。

在我看来--解决的办法是根据相似的响应点对树叶进行分组，并进一步转换各组的平均汇总结果....。

抱歉，在没有参考图书馆、笔记本或文章的情况下，我仍然认为大致如下

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:

对不起，在没有链接到图书馆、笔记本或文章的情况下，我仍然认为大致是这样的

你需要的只是软件包...

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

哦，真希望你们有袋子。

用 CV 方法校准任何 分类器后，你都能立即看到这个模型的潜力。如果它没有任何能力，那么经过这个程序后，概率就会聚集在 0.5 左右。尽管在此之前它过于自信。对这样的模型进行进一步的摆弄是毫无意义的。它无法改进。也就是说，它甚至无法正常校准，因为没有鱼。这很方便。

没有 "量子切口"，用你的话说，没有任何范围或区间能让它有可能获利。

[Maxim Dmitrievsky]

最后，结束这个话题。我设法将 sigmoid 定标输出到 metac。

给定：重新训练梯度波形，然后校准到此状态：

在阈值 0.5 时，一切都很明显，你可以看到 OOS 的位置：

我运行阈值并停止优化：

我得到了各种各样的变化，在阈值 0.75-0.85 时效果最好。虽然 0.5 的阈值不存在正常变体，但即使是新数据也会有一点偏差。

这真是个有趣的玩具。

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:

使用 CV 方法校准任何 分类器后，我们可以立即看到该模型的潜力。如果它没有任何能力，那么经过这个过程后，概率就会聚集在 0.5 左右。尽管在此之前它过于自信。对这样的模型进行进一步的摆弄是毫无意义的。它无法改进。也就是说，它甚至无法正常校准，因为没有鱼。这很方便。

没有一个 "量子切口"，用你的话说，没有一个范围或仓位能让它带来可能的利润。

如果它能让你自动筛选模型，那已经是一件好事了。

我有一个按概率-置信度指数（步长为 0.05）划分的可视化模型，在那里我可以一眼看到所有的东西。最主要的是结果在训练样本和其他样本上的转换--在那里，概率在不断上升，这就是我所说的非代表性的原因。这就是为什么我认为校准在我们的案例中是一种无效的措施。如果你的模型中没有强烈的样本间偏差，那就太令人惊讶了。

而且，我要指出的是，训练不足的模型会产生范围较窄的概率。

一个训练有素的模型通常会精确地位于置信度较高的区域--这就是为什么设置的不是分类阈值，而是一个窗口--例如，从 0.55 到 0.65，将返回的类别视为一个单位，而忽略其他类别。在两端，模型的置信度很高，但往往只有很少的观测数据，因此统计意义很小。

[Maxim Dmitrievsky]

趁它还保持着原始状态，好好利用它。没人听得懂你在说什么

他们会猛扑过来，不会留下一封信的。

[Renat Akhtyamov]

国防部的先生们

值得吗？

占用我的算法 - 一般讨论 - MQL5

[Valeriy Yastremskiy]

Maxim Dmitrievsky #:
趁它还保持着原始状态，好好利用它。没人听得懂你在说什么

铁杆 M.O.S.会猛扑过来，他们不会留下一封信。

加油))))))新年快乐))))

真相是不变的))))

[Maxim Dmitrievsky]

Valeriy Yastremskiy #:

Yeah good))))))新年快乐))))

真情不变)))))

这样的一年，身边的世界普遍不快乐，有人却乐在其中。祝酒词：愿新的一年，单体翻身。也敬那些使之成为可能的人们。