Diskussion zum Artikel "Ensemble-Methoden zur Verbesserung von Klassifizierungsaufgaben in MQL5"
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
Neuer Artikel Ensemble-Methoden zur Verbesserung von Klassifizierungsaufgaben in MQL5 :
Die in diesem Artikel besprochenen Klassifizierungsensembles arbeiten unter bestimmten Annahmen bezüglich ihrer Komponentenmodelle. Erstens wird davon ausgegangen, dass diese Modelle der Daten mit sich gegenseitig ausschließenden und erschöpfenden Klassenzielen trainiert werden, wodurch sichergestellt wird, dass jede Instanz zu genau einer Klasse gehört. Wenn eine „keine der oben genannten Optionen“ erforderlich ist, sollte sie entweder als separate Klasse behandelt oder mit Hilfe einer numerischen Kombinationsmethode mit einer definierten Zugehörigkeitsschwelle verwaltet werden. Außerdem wird von Komponentenmodellen erwartet, dass sie bei einem Eingabevektor von Prädiktoren N Ausgaben erzeugen, wobei N die Anzahl der Klassen darstellt. Diese Ausgaben können Wahrscheinlichkeiten oder Konfidenzwerte sein, die die Wahrscheinlichkeit der Zugehörigkeit zu den einzelnen Klassen angeben. Es könnte sich auch um binäre Entscheidungen handeln, bei denen eine Ausgabe 1,0 (wahr) und die anderen 0,0 (falsch) sind, oder die Modellausgaben könnten ganzzahlige Rangfolgen von 1 bis N sein, die die relative Wahrscheinlichkeit der Klassenzugehörigkeit widerspiegeln.
Einige der von uns untersuchten Ensemble-Methoden profitieren in hohem Maße von Komponentenklassifikatoren, die eine Rangfolge der Ergebnisse erstellen. Modelle, die in der Lage sind, die Wahrscheinlichkeit der Klassenzugehörigkeit genau abzuschätzen, sind in der Regel sehr wertvoll, aber es birgt erhebliche Risiken, die Ergebnisse als Wahrscheinlichkeiten zu behandeln, wenn sie es nicht sind. Bei einem Zweifel darüber, was die Modellergebnisse darstellen, kann es von Vorteil sein, sie in Ränge zu konvertieren. Der Nutzen von Ranginformationen steigt mit der Anzahl der Klassen. Bei der binären Klassifizierung bieten Ränge keinen zusätzlichen Einblick, und ihr Wert für Drei-Klassen-Probleme bleibt bescheiden. In Szenarien, die zahlreiche Klassen umfassen, ist die Möglichkeit, die Auswahl der Zweitplatzierten eines Modells zu interpretieren, jedoch von großem Nutzen, insbesondere wenn einzelne Vorhersagen mit Unsicherheit behaftet sind. So könnten beispielsweise Support-Vector-Maschinen (SVMs) so verbessert werden, dass sie nicht nur binäre Klassifizierungen, sondern auch Entscheidungsabstände für jede Klasse erzeugen und so einen besseren Einblick in die Zuverlässigkeit der Vorhersage bieten.
Autor: Francis Dube