Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3313

Nuevo comentario
 
Maxim Dmitrievsky #:
Sanych, ¿cuándo recordaremos que Maestro es signo + objetivo?)

Semejantes meteduras de pata infantiles, como de gente seria que ha aprendido la gran R, estropean todo el ambiente. Y la gente, resulta que no aprende, por mucho que la corrijas.

¿Cómo voy a hablar contigo si sigues confundido con lo básico)?

No te ofendas, pero ni siquiera os entendéis, de lo que escribe cada uno :))))))

¡Oh, el más sabio!

¡Oh, el que más sabe!

"Profesor" (sinónimo de variable objetivo) en el método de aprendizaje "con profesor" es una VARIABLE independiente en la fórmula de todos los modelos de aprendizaje automático que conozco, por ejemplo:

randomForest(as.factor(target ) ~ .,
                                     data   = Train [, - ncol(Train )],
                                     ntree  = ntree,
                                     mtry   = mtry)

donde target representa una columna separada de la matriz. En el sentido, por ejemplo, de los incrementos de precio. Es como una función y sus argumentos.

Las demás columnas de la matriz tienen que coincidir. El problema es que no todos los profesores se ajustarán a las características (predictores) y viceversa, no todas las características se ajustarán a un profesor concreto

 
mytarmailS #:

Estoy hablando de selección de características

y lo que tú llamas " selección de rasgos como parte de los modelos" es importancia de la varianza . No te confundas y no confundas a los demás.

Y lo que haces con el paquete proxy es selección de rasgos artesanal, incorrecta, primitiva, o más bien una parte de ella


Y de verdad, familiarízate con los conceptos y no introduzcas los tuyos propios encima de los existentes.

Porque a mí me crispa cada vez que llamas "overfitting" al reentrenamiento y hay muchas meteduras de pata de ese tipo

Gracias por la aclaración.

Pero la precisión absoluta sólo es posible con un modelo específico de aprendizaje automático, ya que hay modelos que proporcionan información sobre la importancia de la varianza , y hay modelos que tienen incorporada laselección de características .

Si una clasificación general de los conceptos en el problema de selección de características, puede utilizar este


Para tu información: ¿cuál es la traducción de overfitting? ¿Sobreajuste? ¿O sobreajuste?

 
СанСаныч Фоменко #:

Gracias por la aclaración.

Para su información: ¿cuál es la traducción de overfitting? ¿Sobreadaptación? ¿O sobreadaptación?

overate.

Hablar más de la cuenta.

La cuestión ni siquiera es esa, es que eres el único que usa esa palabra frente a cientos de otros y no tiene nada de bueno, sólo confunde.


==================================================================


Recuerdo que decías que tus funciones tardan mucho en contar, existe una cosa tan chula como la memoización de código, acelera mucho el código en algunos casos, sólo tienes que envolver una función lenta f1() en f2() y hacer una función memoizable.

f2 <- memoise::memoise(f1)

gran ganancia

microbenchmark::microbenchmark(f1(),f2())
Unit: microseconds
 expr        min         lq       mean     median         uq      max neval
 f1() 145281.202 154547.404 163587.417 160677.641 167757.222 204640.4   100
 f2()    234.342    270.263   1989.096    402.544    413.092 164095.8   100
 
СанСаныч Фоменко #:

¡Oh, hombre sabio!

¡Oh, el que más sabe!

"Maestro".

Sanych, ¿dónde dice que Maestro es sinónimo de objetivo? )

 
mytarmailS #:
memoise

curiosamente

 
Maxim Dmitrievsky #:

Sanych, ¿dónde dice que Profesor es sinónimo de objetivo? )

No seas estúpido.

El aprendizaje supervisado es uno de los métodos deaprendizaje automático , en el que el sistema sometido a prueba se ve obligado a aprender utilizando ejemplos de estímulo-respuesta. Desde el punto de vista dela cibernética, es un tipo deexperimento cibernético. Puede que exista cierta dependencia entre las entradas y las salidas de referencia ( estímulo-respuesta), pero se desconoce.


Y lo más importante, ¡no necesitas enseñar a nadie! ¡Haz lo que quieras!

 
СанСаныч Фоменко #:

¡No seas estúpido!

El aprendizaje supervisado es uno de los métodos deaprendizaje automático , en el que el sistema sometido a prueba se ve obligado a aprender mediante ejemplos de estímulo-respuesta. Desde el punto de vista dela cibernética, es un tipo deexperimento cibernético. Puede que exista cierta dependencia entre las entradas y las salidas de referencia ( estímulo-respuesta), pero se desconoce.


Y lo más importante, ¡no necesitas enseñar a nadie! ¡Haz lo que quieras!

Sanych, ¿DÓNDE ESTÁ ESCRITO?


 
Aprendizaje sin profesor: cuando alimentamos a todos con las mismas fichas, pero sin la columna con el objetivo. El modelo seleccionará el objetivo por sí mismo.
Es lógico suponer que si Con maestro - es con la columna de destino f-i, y sin maestro - sin esta columna, a continuación, esta columna es el maestro.
 

Wo gpt da out))))

Cuál es la diferencia en el aprendizaje automático entre aprender con profesor y sin profesor
ChatGPT

El aprendizaje supervisado y el aprendizaje no supervisado son los dos enfoques principales en el aprendizaje automático, y difieren en algunos aspectos clave:

  1. Presencia de etiquetas (objetivos):

    • Aprendizaje no supervisado: En este tipo de aprendizaje, los datos tienen etiquetas (objetivos) que representan respuestas correctas o valores objetivo. El modelo se entrena con estos datos para aprender a predecir la variable objetivo.
    • Aprendizaje no supervisado: a diferencia del aprendizaje supervisado, en el aprendizaje no supervisado los datos no tienen etiquetas. En este caso, el modelo intenta encontrar la estructura de los datos sin conocer previamente las respuestas correctas.

  2. Objetivo:

    • Aprendizaje con profesor: El objetivo principal es predecir o clasificar la variable objetivo basándose en los datos de entrada. Este tipo de aprendizaje se utiliza cuando es necesario realizar una tarea como la clasificación, la regresión o la detección de anomalías.
    • Aprendizaje no supervisado: El objetivo principal es detectar estructuras o patrones ocultos en los datos. Este tipo de aprendizaje se utiliza para la agrupación de datos, la reducción de la dimensionalidad, el análisis asociativo y otras tareas relacionadas con el aprendizaje de la estructura de los datos.

  3. Ejemplos de tareas:

    • Aprendizaje con profesor: clasificación, regresión, predicción, detección de fraudes, detección de objetos, traducción automática, etc.
    • Aprendizaje sin profesor: clustering, reducción de dimensionalidad (PCA, t-SNE), regla asociativa, visualización de datos y muchas otras.

  4. Evaluación de modelos:

    • Aprendizaje con un profesor: un modelo se evalúa en función de lo bien que es capaz de hacer predicciones o clasificaciones comparándolo con etiquetas conocidas. Las evaluaciones pueden incluir la precisión, la medida F1, el error RMS y otras métricas.
    • Aprendizaje sin profesor: La estimación es más difícil porque no hay etiquetas conocidas con las que comparar. La evaluación puede basarse en la inspección visual de la calidad de la agrupación, la comparación con otros algoritmos o el análisis de un experto.

Ambos tipos de aprendizaje tienen sus aplicaciones en el aprendizaje automático, y la elección entre ellos depende de la tarea específica y de los datos disponibles. A veces también se utilizan métodos híbridos, que combinan el aprendizaje con y sin profesor para lograr mejores resultados.

 
Es un desastre. No me sorprendería que no les llegara ni siquiera después de eso.

En el contexto del aprendizaje automático con un maestro, el maestro es el ser humano o el sistema que proporciona los datos etiquetados para entrenar el modelo. La partición de datos significa que para cada conjunto de datos de entrada se conoce la salida correspondiente.
1...330633073308330933103311331233133314331533163317331833193320...3399
Nuevo comentario
Razón de la queja: