Diskussion zum Artikel "Selbstoptimierender Expert Advisor mit MQL5 und Python (Teil VI): Die Vorteile des tiefen doppelten Abstiegs nutzen"

[MetaQuotes]

Neuer Artikel Selbstoptimierender Expert Advisor mit MQL5 und Python (Teil VI): Die Vorteile des tiefen doppelten Abstiegs nutzen :

Das traditionelle maschinelle Lernen lehrt die Praktiker, darauf zu achten, dass ihre Modelle nicht übermäßig angepasst werden. Diese Ideologie wird jedoch durch neue Erkenntnisse in Frage gestellt, die von fleißigen Forschern aus Harvard veröffentlicht wurden, die herausgefunden haben, dass das, was als Überanpassung erscheint, unter Umständen das Ergebnis einer vorzeitigen Beendigung Ihrer Trainingsverfahren ist. Wir werden zeigen, wie wir die in der Forschungsarbeit veröffentlichten Ideen nutzen können, um unseren Einsatz von KI bei der Prognose von Ergebnissen zu verbessern.

Es gibt viele Techniken, um bei der Entwicklung von KI-Modellen eine Überanpassung festzustellen. Die zuverlässigste Methode ist die Untersuchung der Diagramme für den Test- und Trainingsfehler des Modells. Anfänglich können die beiden Teile zusammen fallen, was ein gutes Zeichen ist. Wenn wir mit dem Training unseres Modells fortfahren, erreichen wir ein optimales Fehlerniveau, und sobald wir dieses überschreiten, sinkt unser Trainingsfehler weiter, aber unser Testfehler wird nur noch schlechter. Es wurden viele Techniken entwickelt, um dieses Problem zu lösen, z. B. das frühzeitige Anhalten. Vorzeitiges Beenden: Beendet das Trainingsverfahren, wenn sich der Validierungsfehler des Modells nicht signifikant ändert oder kontinuierlich verschlechtert. Danach werden die besten Gewichte wiederhergestellt, und es wird davon ausgegangen, dass das beste Modell gefunden wurde (siehe Abb. 1).

Autor: Gamuchirai Zororo Ndawana