Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3316

Nuevo comentario
 
Andrey Dik #:

¿Por qué estás inquieto e inquieto?

La línea verde es una traza, la línea roja es la validación. Y la marca con un círculo rojo es el lugar donde el gráfico de error de validación cambia de decreciente a creciente, ¡este es el Extremo Global! - ese es el lugar donde tienes que parar el entrenamiento. ¿Ves, la respuesta simple a mi pregunta? Cualquier aprendizaje es la esencia de la optimización con la búsqueda del extremo global. Cualquier método de MO se reduce a esto mismo, optimización de alguna función de evaluación hasta un extremo global (minimización de la función de pérdida o maximización de la función de evaluación). Pero usted no es un optimizador, ¿cómo es eso? Aunque no lo haga intencionadamente, los métodos MO lo hacen por usted.

Este es el gráfico del modelo reentrenado, en tu caso.
Y después del punto de ruptura, el aumento de la complejidad conduce a un aumento del sobreentrenamiento, que es de lo que estábamos hablando.
 
Valeriy Yastremskiy estructura de los datos.

  • 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.

  • 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.

    Está claro que algo pasa.

    Volver a las definiciones.

    P.Z.

    No falta mucho para el final.

    Huh. ¡Alguien ha tenido una epifanía!

     
    Andrey Dik #:
    Similar de hecho, pero en MO este gráfico muestra y significa de manera diferente)).

    Me preguntaba si de alguna manera usted era consciente de ello).

     
    Maxim Dmitrievsky #:
    Este es un gráfico del modelo reentrenado, en tu caso.
    ¿Por qué "mi caso"? Es igual para todos. Si sigues entrenando después del círculo rojo, obtienes un modelo sobreentrenado. Así que espera unas cuantas iteraciones hasta que la validez empiece a crecer en unas cuantas iteraciones, deja de entrenar y elige el resultado donde el círculo rojo es el extremo global. Algunos pueden tomar el resultado para 2, 3, 4, y más iteraciones ANTES, pero esto no cambia la esencia, para esto todavía es necesario encontrar el extremo global.
     
    Andrey Dik #:
    ¿Por qué "mío"? Todos lo hacen. Si sigues entrenando después del círculo rojo, obtienes un modelo sobreentrenado. Así que esperas varias iteraciones hasta que la validez empieza a crecer en varias iteraciones, paras de entrenar y eliges el resultado donde el círculo rojo es el extremo global. Algunos pueden tomar el resultado para 2, 3, 4, y más iteraciones ANTES, pero no cambia la esencia, usted todavía necesita encontrar este extremum global.
    Tienes un modelo reentrenado antes del círculo.
     
    Maxim Dmitrievsky #:
    ...
    Y después de un punto, el aumento de la complejidad conduce a un aumento de sobreentrenamiento, que es lo que estábamos hablando.

    Es un gráfico de traine y validación. La complejidad no tiene nada que ver. Tiene que ver con el hecho de que hagas lo que hagas en MO, buscas un extremo global, eres un optimizador, por mucho que lo niegues.

     
    Maxim Dmitrievsky #:
    Tienes un modelo reentrenado antes del círculo.
    Es suficiente, estás completamente perdido. O demuestra lo contrario, pero no con frases de una palabra, sino con dibujos, explicaciones.
     
    Andrey Dik #:
    Ya está bien, la has cagado por completo. O demuestra lo contrario, pero no con frases de una palabra, sino con dibujos, explicaciones.
    Este es un gráfico de los errores en cada iteración en treyne y eje. Después de cada iteración/epoca hay una complicación del modelo. No dibujaste cuál es el error alrededor del círculo en el eje y y cuántas iteraciones/epocs en el eje x. Si es 0.5, entonces el modelo no ha aprendido nada ahí, entonces empieza a reentrenarse. Por eso tu gráfico no es nada.

    El máximo/mínimo global allí es cero error.
     
    Andrey Dik #:

    Quédate donde estás. Todos son estúpidos menos tú, así que tú eres el que responde a las preguntas.

    ¿Qué es eso? ¿Qué es ese rubor rojo de ahí? Es redondo, rojo, ahí abajo.


    Nunca había visto un gráfico así.

    Ficcionista, te estás inventando cosas y forzando discusiones sobre cosas que no existen.

    En realidad lo normal es obtener un gráfico así de algún modelo, en vez de estar parloteando aquí durante años.

     
    Por lo tanto, en la parte baja global de tu gráfico, hay un gran sobreentrenamiento porque la curva del eje va lo más arriba posible.
    1...330933103311331233133314331533163317331833193320332133223323...3399
    Nuevo comentario
    Razón de la queja: