Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3316
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Ich weiß nicht, was in meinem Herzen ist, es ist einfach wieder Unsinn
Warum zappelst du und zappelst du?
Die grüne Linie ist eine Spur, die rote Linie ist eine Bestätigung. Und die Markierung mit dem roten Kreis ist die Stelle, an der die Fehlerkurve der Validierung von fallend zu steigend wechselt, das ist das globale Extrem! - Das ist die Stelle, an der Sie das Training abbrechen müssen. Sie sehen, die einfache Antwort auf meine Frage? Jedes Lernen ist die Essenz der Optimierung mit der Suche nach dem globalen Extremwert. Jede MO-Methode reduziert sich auf genau das: die Optimierung einer Bewertungsfunktion auf ein globales Extremum (Minimierung der Verlustfunktion oder Maximierung der Bewertungsfunktion). Aber Sie sind kein Optimierer, wie kommt das? Selbst wenn Sie es nicht absichtlich tun, tun es die MO-Methoden für Sie.
Bestätigt jeder die falsche Interpretation von Sanych, dass "Lehrer" ein Synonym für "Markierungen" ist?
Nein, das ist nicht dasselbe, es sind keine Synonyme.
Zwar können Markierungen als Lehrer fungieren, aber das hängt von der jeweiligen Aufgabe ab. Aber es ist unmöglich, sie eindeutig gleichzusetzen.
Warum zappelst du so herum und zappelst so herum?
Die grüne Linie ist eine Spur, die rote Linie ist die Validierung. Und die Markierung mit dem roten Kreis ist die Stelle, an der die Fehlerkurve der Validierung von fallend zu steigend wechselt, das ist das globale Extrem! - Das ist die Stelle, an der Sie das Training abbrechen müssen. Sehen Sie, die einfache Antwort auf meine Frage? Jedes Lernen ist die Essenz der Optimierung mit der Suche nach dem globalen Extremwert. Jede MO-Methode reduziert sich auf genau das: die Optimierung einer Bewertungsfunktion auf ein globales Extremum (Minimierung der Verlustfunktion oder Maximierung der Bewertungsfunktion). Aber Sie sind kein Optimierer, wie kommt das? Auch wenn Sie es nicht absichtlich tun - MO-Methoden tun es für Sie.
Beispiele für Aufgaben:
Bewertung von Modellen:
Beide Arten des Lernens haben ihre Anwendungen im maschinellen Lernen, und die Wahl zwischen ihnen hängt von der spezifischen Aufgabe und den verfügbaren Daten ab. Manchmal werden auch hybride Methoden verwendet, die das Lernen mit und ohne Lehrer kombinieren, um bessere Ergebnisse zu erzielen.
Hier ist eindeutig etwas im Busch.
Zurück zu den Definitionen.
P.Z..
Es ist nicht mehr weit bis zum Ende.
Aha. Da hatte wohl jemand eine Erleuchtung!
In der Tat ähnlich, aber in MO zeigt und bedeutet dieses Diagramm etwas anderes.))
Ich habe mich gefragt, ob Ihnen das irgendwie bekannt ist.)
Dies ist ein Diagramm des neu trainierten Modells, in Ihrem Fall.
Warum "meine"? Das tun sie alle. Wenn Sie nach dem roten Kreis weiter trainieren, erhalten Sie ein übertrainiertes Modell. Man wartet also mehrere Iterationen lang, bis die Gültigkeit über mehrere Iterationen hinweg zu wachsen beginnt, stellt das Training ein und wählt das Ergebnis, bei dem der rote Kreis das globale Extremum ist. Man kann das Ergebnis für 2, 3, 4 und mehr Iterationen VORHER nehmen, aber das ändert nichts am Kern, man muss immer noch dieses globale Extremum finden.
...
Es handelt sich um ein Trainings- und Validierungsdiagramm. Komplexität hat damit nichts zu tun. Es geht um die Tatsache, dass man in MO bei allem, was man tut, nach einem globalen Extrem sucht, man ist ein Optimierer, egal wie sehr man es abstreitet.
Sie haben ein neu trainiertes Modell vor dem Kreis.
Das reicht, Sie haben es völlig vermasselt. Beweisen Sie entweder das Gegenteil, aber nicht mit Ein-Wort-Phrasen, sondern mit Zeichnungen, Erklärungen.