Discusión sobre el artículo "Remuestreo avanzado y selección de modelos CatBoost con el método de fuerza bruta" - página 7

 
Maxim Dmitrievsky

En ese cuaderno, sólo este bloque de código da error


pr = get_prices(look_back=LOOK_BACK)

pr = add_labels(pr, 10, 25)

rep = tester(pr, MARKUP)

plt.plot(rep)

plt.show()


ValueError: No se puede establecer un marco sin índice definido y un valor que no se puede convertir en una Serie

¿Cuál puede ser la razón?

[Eliminado]  
Evgeni Gavrilovi:

En ese cuaderno, sólo este bloque de código da error


pr = get_prices(look_back=LOOK_BACK)

pr = add_labels(pr, 10, 25)

rep = tester(pr, MARKUP)

plt.plot(rep)

plt.show()


ValueError: No se puede establecer un marco sin índice definido y un valor que no se puede convertir a una Serie

¿Cuál puede ser la razón?

el marco de datos está vacío

compruebe si las comillas se reciben o no

[Eliminado]  
elibrarius:
Inténtalo tú. No llevará mucho tiempo. ¿No sería interesante probarlo en un experimento? Breiman no lo hizo en su bosque aleatorio.

Es lento. Lo probaré más tarde.

 
Maxim Dmitrievsky:

Es lento. Lo intentaré más tarde.

Será interesante ver el resultado. Creo que podemos dividir la prueba en dos, la mitad para la prueba y la mitad para el examen. O añadir un par de años.
 
Maxim Dmitrievsky:

marco de datos vacío

comprobar si se han recibido o no las cotizaciones

así es, no presté atención al hecho de que el broker tiene una "m" al final del par eurobucks - EURUSDm.

[Eliminado]  
elibrarius:
Será interesante ver el resultado. Creo que podemos dividir la prueba en dos, la mitad para el test y la otra mitad para el examen. O añadir un par de años.

He hecho algo así antes, un vaso de madera. En realidad, no hizo nada del otro mundo.

Dudo que en este caso, también. Pero lo comprobaré más tarde.

 
Maxim Dmitrievsky:

He hecho algo como esto antes, un vaso de madera. De hecho, no dio nada maravilloso.

Lo dudo en este caso, también. Pero lo comprobaré más tarde.

Estoy de acuerdo, en el bosque inicialmente promediar los mejores resultados. Pero no está de más comprobar)

 
Valeriy Yastremskiy:

Estoy de acuerdo, en el bosque inicialmente promediar los mejores resultados. Pero no está de más comprobar)

No, todos.

Y se llama bosque ale atorio porque se suman todos los árboles aleatorios.
Para el mejor no se llamaría bosque aleatorio, sino mejor bosque. )))

 
elibrarius:

No, todas.

Y se llama bosque aleatorio porque se suman todos los árboles aleatorios.
Pues el mejor se llamaría el mejor bosque, no bosque aleatorio. )))

Parece que tenemos ideas diferentes sobre el refuerzo aleatorio. Árbol decisivo, se trata de características seleccionadas de un conjunto aleatorio. El punto es que los conjuntos son al azar, pero la selección / agrupación en malos buenos estaba originalmente allí. Es como lanzar una aguja, medir ángulos y calcular el número Pi)

de la wiki.

  1. Construyamos unárbol de decisión que clasifique las muestras de la submuestra dada, y durante la creación del siguiente nodo del árbol elegiremos un conjunto de características en base a las cuales se realiza la partición (no de todas lasM características , sino sólo dem elegidas al azar ). La selección de la mejor de estasm características puede hacerse de diferentes maneras. El código original de Breiman utiliza elcriterio de Gini, que también se utiliza en el algoritmo de árbol decisivoCART. Algunas implementaciones del algoritmo utilizan en su lugar elcriterio de ganancia de información. [3]
[Eliminado]  
Valeriy Yastremskiy:

Parece que tenemos ideas diferentes sobre el bousting aleatorio. Árbol decisivo, se trata de características seleccionadas de un conjunto aleatorio. La cuestión es que los conjuntos son aleatorios, pero la selección / agrupación en malos buenos estaba originalmente allí. Es como lanzar una aguja, medir ángulos y calcular el número de pi)

de la wiki

  1. Construyamos unárbol de decisión que clasifique las muestras de la submuestra dada, y durante la creación del siguiente nodo del árbol elegiremos un conjunto de características en base a las cuales se realiza la partición (no de todas lasM características , sino sólo dem elegidas al azar ). La selección de la mejor de estasm características puede hacerse de diferentes maneras. El código original de Breiman utiliza elcriterio de Gini, que también se utiliza en el algoritmo de árbol decisivoCART. Algunas implementaciones del algoritmo utilizan en su lugar elcriterio de ganancia de información. [3]

Sí, hay muchos árboles, pero cada uno intenta aprender mejor sobre características diferentes. No es lo mismo que combinar varios bosques (incluidos los malos).