交易中的机器学习：理论、模型、实践和算法交易 - 页 3378

新评论
 
fxsaber #:

不合逻辑！例如，集合依赖于 FF。

FF 根本什么都不是，什么都不依赖它。它只是将输入与所需的输出相匹配。我不明白这和稳健性有什么关系。

我忘了，在优化器中，你不能随意设置事务，可能正因为如此，人们才对 FF 大惊小怪，并赋予它一些特殊的外观或神圣的意义：）。
 
Renat Akhtyamov #:

向下滚动到余额。

我也是这样
 
Maxim Dmitrievsky #:
FF 根本什么都不是，什么都不取决于它。
这很可能是术语上的误解。但彩虹般的接待是可想而知的。
 
fxsaber #:
很可能是术语上的误解。但彩虹的接收是敏锐的。
或者问题问得不对
许多人出于某种原因认为他们是来参加通灵者或心理学家的会议的:)
还有一类人虔诚地认为，从意见是非常重要的
 
Maxim Dmitrievsky #:
FF 什么都不是，什么都不依赖它。它只是将输入与所需的输出相匹配。我看不出它与鲁棒性有什么关系。

Fitness function（健度函数）--直译为 "健康函数"，或 "适合度函数"、"适应性函数"。也就是说，它是一种评估某些单独行动或整个模型的方法。也称为评价函数，它以度量的形式整体或单独应用于系统的各个元素。

在统计学中：稳健性（来源于稳健--"强"、"坚固"、"稳定"）--一种统计方法的属性，其特点是不受各种异常值对研究结果的影响，抗干扰能力强。稳健方法 - 一种旨在识别异常值、降低其影响或将其从样本中排除的方法。

稳健性是指模型（或 TS）在新数据上显示与 "训练样本 "类似指标的能力。

要评估一个模型的稳健性，需要使用各种指标、分数、影响函数，即使用适度函数。

换句话说，适配度函数是对所需结果的描述性描述。如果我们的目标是获得一个鲁棒性模型，那么我们就需要估算鲁棒性，组成一个鲁棒性适配函数。我们需要最大可能的鲁棒性（可靠性、稳定性），因此我们需要这样一个描述性特征，即健壮性函数，其最大值将与最大鲁棒性相对应。


我希望现在大家都清楚了，适配度函数与鲁棒性的关系。

健壮性函数的例子

学校平均成绩。可以是正常平均成绩，也可以是某些国家的加权平均成绩。

最大允许离心加速度，作为道路（包括铁路）设计中的估算值。

接下来，作为家庭作业，你可以自己继续举例说明适合度函数，以了解它是什么以及它的用途。

 

之所以对优化和适配函数的概念持否定态度，是因为使用非常简单的适配函数（如平衡）的做法非常普遍。这就是一个例子，说明选择 "最终平衡 "作为评估的合适度函数并不能以任何方式表征 TS 的稳健性。

拟合度函数只是一种评估方法，没有人也没有任何东西禁止使用任何方法，不仅是那些大叔们默认的方法。

 
fxsaber #:

利润曲线的性质不会因 OOS 而改变：Size(OOS_Left) = Size(OOS_Right) = Size(Sample)。一般来说，无法通过的结果。

可能需要进行压力测试)))))为 TC 建立黑天鹅模型）

 
Andrey Dik #:

Fitness 函数是 "健康函数 "的直译，或称适度函数、适应性函数。它是评估某些单独行动或整个模型的一种方法。它也被称为评价函数，以度量的形式整体或单独应用于系统的各个元素。

在统计学中：稳健性（来源于稳健--"强"、"坚固"、"稳定"）--统计方法的一种属性，其特点是不受各种异常值对研究结果的影响，抗干扰能力强。稳健方法 - 旨在识别异常值、减少其影响或将其从样本中排除的方法。

就 MO 和交易而言，稳健性是指模型（或 TS）在新数据上显示与 "训练样本 "上的指标相似的指标的能力。

要评估一个模型的稳健性，需要使用各种指标、分数、影响函数，即使用适合度函数。

换句话说，适合度函数是对所需获得结果的描述性特征。如果我们的目标是获得一个鲁棒性模型，那么我们就需要估算鲁棒性，组成一个鲁棒性适配函数。我们需要最大可能的鲁棒性（可靠性、稳定性），因此我们需要这样一个描述性特征，即适配度函数，其最大值将与最大鲁棒性相对应。


我希望现在大家都清楚了适配度函数与鲁棒性的关系。

健壮性函数举例

学校的平均成绩。它可以作为正常平均成绩使用，也可以像某些国家那样加权使用。

最大允许离心加速度，作为道路（包括铁路）设计中的估算值。

接下来，作为家庭作业，你可以自己继续举例说明适合度函数，以了解它是什么以及它的用途。


理论家！你看错书了，而且还把话题扯远了！

这里有具体的适度函数例子：

ada(x, y,test.x,test.y=NULL, loss=c("exponential","logistic"),
                      type=c("discrete","real","gentle"),iter=50, nu=0.1, bag.frac=0.5,
                      model.coef=TRUE,bag.shift=FALSE,max.iter=20,delta=10^(-10),
                      verbose=FALSE,...,na.action=na.rpart)

这是 NS 的另一个例子

nnet(x, y, weights, size, Wts, mask,
     linout = FALSE, entropy = FALSE, softmax = FALSE,
     censored = FALSE, skip = FALSE, rang = 0.7, decay = 0,
     maxit = 100, Hess = FALSE, trace = TRUE, MaxNWts = 1000,
     abstol = 1.0 e-4, reltol = 1.0 e-8, ...)

如果你学会了如何使用 R 软件包，就不会再写什么"拟合函数与鲁棒性有何关系 " 之类的废话了--在 MO 中， 鲁棒性 是一个独立且非常严重的问题。

开始使用 R 软件包后，一切都会水到渠成，你会向本地公众展示误差小于 20% 的分类实例和训练文件之外的"鲁棒性"，让他们大吃一惊。

 
松散定义的术语是 evil)))))
 


1...337133723373337433753376337733783379338033813382338333843385...3399
新评论