Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2627
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Estaba comparando varias formas de evaluar la importancia de los atributos. Tomé como referencia la más intensiva en recursos: aprender el modelo eliminando los atributos uno a uno.
Los métodos rápidos no coinciden con el punto de referencia. Y no coinciden entre sí. fselector es aún más rápido, creo que tampoco coincidirá con nada.
La importancia de los signos en la ventana móvil (indicadores y precios)
En un momento el indicador puede tener un 10% de importancia y en otro momento puede tener un 0,05%, así es la verdad de la vida)
Si cree que la revalorización lo resuelve todo, debería sonrojarse, es el momento...
Los datos de la ventana deslizante se utilizan para cada modelo.
La validación cruzada se utiliza para cotejar los resultados de entrenamiento de múltiples modelos entrenados con diferentes datos.
Los modelos sobre datos de ventanas no deslizantes también pueden entrenarse sobre diferentes trozos de esos datos y obtener también una validación cruzada.
No está claro, ¿qué tiene que ver la validación cruzada?
Los datos de la ventana deslizante se utilizan para cada modelo.
La validación cruzada se utiliza para acoplar los resultados del entrenamiento de múltiples modelos entrenados en diferentes piezas de datos.
Los modelos sobre datos de ventanas no deslizantes también pueden entrenarse sobre diferentes trozos de esos datos y obtener también una validación cruzada.
La idea aquí es que una ventana deslizante con la misma anchura no resuelve el problema. La buena idea es aumentar los recorridos por dimensión, cambiando el ancho de la ventana en cada paso. Ahí está la maldición de nuevo)))
¿Qué tiene que ver la validación cruzada?
Los datos de la ventana deslizante se utilizan para cada modelo.
La validación cruzada se utiliza para cotejar los resultados de entrenamiento de múltiples modelos entrenados con diferentes datos.
Los modelos sobre datos de ventanas no deslizantes también pueden entrenarse sobre diferentes trozos de esos datos y obtener también una validación cruzada.
Genial...
¿Para qué sirve la puntuación de importancia? Así, eliminando los que no son importantes, es posible entrenar el modelo más rápidamente en el futuro, sin perder calidad. Sólo se trata de afinar los datos y el modelo que ya funcionan. Y ni tú ni yo (como supongo) tenemos nada que afinar todavía.
Así que solo hay que enseñar el modelo. El modelo utilizará los importantes y no los no importantes.
¿Aún no te has despertado?)
No estoy de acuerdo.
La validación cruzada es la capacidad de desechar un modelo que resulta ser exitoso en una parte de la historia. Probarlo en algunos trozos de historia, podría mostrar que no funcionará allí.
Sólo la validación cruzada muestra que los signos y el modelo son flotantes.
Este "flotador" se le muestra por otro método, la validación cruzada a mí.
La idea aquí es que una ventana deslizante con la misma anchura no resuelve el problema. La buena idea es aumentar los recorridos por dimensión, cambiando el ancho de la ventana en cada paso. Maldita sea otra vez))
Maldita sea, el sol está fuera, es hora de ponerse el bañador e ir al jardín
La prueba con datos pequeños muestra que los métodos rápidos no funcionan bien.
¿Cuál es el objetivo de la prueba de importancia? Así, al eliminar los que no son importantes, se puede entrenar el modelo más rápidamente en el futuro, sin perder calidad. Sólo se trata de afinar los datos y el modelo que ya funcionan. Y ni tú ni yo (como supongo) tenemos nada más que afinar.
Así que simplemente enseño el modelo. El propio modelo utilizará los importantes y no utilizará los no importantes.
¿Y si quiero crear una neurona que genere una salida cualitativa?
En cuanto a la validación cruzada (valvular hacia delante), todavía no has explicado por qué es mala. Mis experimentos demuestran que es un método que funciona para eliminar los malos modelos/ideas.