Diskussion zum Artikel "Schrittweise Merkmalsauswahl in MQL5"

[MetaQuotes]

Neuer Artikel Schrittweise Merkmalsauswahl in MQL5 :

In diesem Artikel stellen wir eine modifizierte Version der schrittweisen Merkmalsauswahl vor, die in MQL5 implementiert ist. Dieser Ansatz basiert auf den Techniken, die in „Modern Data Mining Algorithms in C++ and CUDA C“ von Timothy Masters beschrieben sind.

Die traditionelle schrittweise Auswahl von Merkmalen ist eine Technik, die dazu dient, eine optimale Teilmenge von Variablen aus einem größeren Pool von Kandidatenmerkmalen für eine maschinelle Lernaufgabe zu ermitteln. Dieser Prozess beginnt mit der Bewertung jedes einzelnen Kandidatenmerkmals, um die vielversprechendste Variable für die Aufnahme in das endgültige Modell auszuwählen. Anschließend werden weitere Kandidaten auf ihren Beitrag in Kombination mit den bereits ausgewählten getestet, bis ein Zielwert für die Vorhersage- oder Klassifizierungsleistung erreicht ist. 

In diesem Artikel untersuchen wir die Grenzen der konventionellen schrittweisen Merkmalsauswahl, wie z. B. ihr Potenzial zur Überanpassung und ihre Schwierigkeiten bei der Erfassung von Wechselwirkungen zwischen Merkmalen. Anschließend stellen wir einen verbesserten Algorithmus vor, der zur Lösung dieser Probleme entwickelt und in MQL5 implementiert wurde und der eine flexible Integration mit verschiedenen überwachten Lernmethoden ermöglicht. 

Dieser verbesserte Ansatz wurde von Timothy Masters entwickelt und in seinem Buch „Modern Data Mining Algorithms in C++ and CUDA C“ beschrieben. Abschließend stellen wir die praktische Anwendung des Algorithmus vor, indem wir ihn zur Auswahl optimaler Variablen für eine beispielhafte Regressionsaufgabe verwenden und seine Effektivität veranschaulichen.

Autor: Francis Dube