Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2627

 
elibrarius #:
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.
Genial...
Ahora calcule su importancia para los datos del mercado, con 500 filas y 1000 atributos...
En 20 años, dime qué tienes.

¿Y qué tiene esto que ver con el problema del cambio de atributos en el tiempo?
 
mytarmailS #:

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...

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 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.
 
elibrarius #:
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)))

 
elibrarius #:
¿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.
¿Aún no te has despertado?)
Si se entiende que la importancia de los atributos es muy variable, entonces no tiene sentido la validación cruzada, así se escribe, ¿qué no está claro?
 
mytarmailS #:
Genial...
Ahora calcule su importancia para los datos del mercado, con 500 filas y 1000 atributos...

En 20 años, dime qué tienes.
Una prueba con datos pequeños muestra que los métodos rápidos no funcionan bien.
¿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.

 
mytarmailS #:
¿Aún no te has despertado?)
Si entiendes que la importancia de los signos es muy variable, entonces no tiene sentido crosvalidar, lo dice, qué no hay que entender
Despierto)
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.
 
Yo mismo no utilizo la validación cruzada pura, sino la validación hacia delante. Es decir, no en un círculo, sino que se desplaza sólo hacia adelante.
 
Valeriy Yastremskiy #:

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

 
elibrarius #:
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 características de calidad en la salida?
Seguro que ni se te ha ocurrido, pero ya has sacado todas las conclusiones por mí.
 
mytarmailS #:
¿Y si quiero crear una neurona que genere una salida cualitativa?
Seguro que ni se te ha ocurrido, pero ya has sacado todas las conclusiones por mí
No se me ha ocurrido. Sólo saco conclusiones después de realizar mis propios experimentos. Buena suerte con sus experimentos.
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.