Reunir un equipo para desarrollar una OI (árbol/bosque de decisiones) en relación con las estrategias de tendencia - página 12
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
Si se produce un milagro y el equipo se reúne, tendremos que elegir un algoritmo de aprendizaje y un método para evaluar el modelo.
Puedo picar un grupo de reflexión.
...tendré que pensar en un sitio alternativo. ¿Tal vez alguien conozca uno similar? Estoy pensando en algo así como un tablero donde se puedan compartir fotos y editarlas de alguna manera, una sala de chat separada, y algo así como un depósito de ideas inteligentes...
Por ejemplo. También tienen un repositorio para compartir el código. También disponen de una aplicación móvil. En mi opinión, un servicio muy práctico.
Para evaluar la calidad del modelo (red o bosque), se utilizan los valores de error MSE, OOB, etc.
Pero a diferencia de lo que ocurre en el reconocimiento de imágenes, donde un humano es la muestra de verificación , es muy difícil hacer una muestra de este tipo para un gráfico de precios. Por lo tanto, la estimación de un modelo de precios por medio de MSE, OOB, etc. suele ser mal interpretada.
No hay una definición clara de "sobreajuste" del modelo.
Así que dejé de comprobar el modelo por MSE, OOB, etc.
Ahora prefiero superponer el resultado de la formación al gráfico de precios para ver el panorama completo.
Este es mi método para evaluar la calidad del modelo (ya he publicado esta imagen):
En mi opinión, lo que se necesita no es una imagen, sino métricas objetivas y cuantitativas, y si hablamos de una evaluación comprensible para el consumidor de la calidad de los modelos para el comercio, entonces se pueden medir por la productividad de las señales, por ejemplo.
Por ejemplo. También está conectado un repositorio para compartir el código. También tienen una aplicación móvil. En mi opinión, un servicio muy práctico.
Hm... gracias por el consejo, un servicio muy interesante. ¿Utilizas la versión gratuita? Puedes conectar tantas extensiones como quieras?
Ahora prefiero superponer el resultado de la formación al gráfico de precios para ver el panorama completo.
Este es mi método para evaluar la calidad del modelo (ya he publicado esta imagen):
Dime cómo leer este gráfico en el sótano. Tienes cuántos objetivos ahí (sólo veo una divergencia de 4 puntos - 4 objetivos?), ¿entiendo bien que las predicciones se producen al principio de la barra (entonces por qué no coincide la apertura o estoy leyendo mal el gráfico?) por una barra?
La visualización es útil para el proceso de reflexión, pero sin expresar estas divergencias en números es imposible automatizar el proceso de estimación del modelo para la misma función de aptitud.
Si se produce un milagro y el equipo se reúne, tendrás que elegir un algoritmo de aprendizaje y un método para evaluar el modelo.
¿Estás en el equipo o no?
Puedo picar un poco en el grupo de reflexión.
Bien, pongámoslo así...
Por ejemplo. También está conectado un repositorio para compartir el código. También tienen una aplicación móvil. En mi opinión, un servicio muy práctico.
Gracias, tendré que estudiar el servicio. O eche un vistazo a los proyectos existentes basados en él.
Voy a compartir mis ideas sobre la evaluación de los modelos de DPM.
No sé si existe un herbario en MO, pero seguiré utilizándolo. Por si alguien no lo entiende, un herbario es una colección de hojas buenas de los árboles, y de un árbol se puede recoger una hoja o muchas. Este modelo tiene una desventaja a la hora de votar: el número de hojas que describen un fenómeno (objetivo) en diferentes momentos del tiempo será diferente, es decir, si representamos el muestreo como un campo, resulta que las hojas están dispersas en diferentes conjuntos en el campo, lo que afecta a la calidad del voto. Así que creo que para estimar este modelo (el método funciona para los bosques, pero es más primitivo, el énfasis debe ser puesto sólo en la capacidad de predicción en el campo) es necesario presentar cada hoja (árbol) como una capa, la superposición de estas capas entre sí y donde las hojas se superponen calcular la capacidad de predicción media mediante la adición de factor que afecta al producto en función del número de hojas (no es necesario para los bosques), a continuación, busque en el mapa resultante y estimar su uniformidad. Dicho mapa puede evaluarse de diferentes maneras, añadiendo el tercer espacio - por vértices, o utilizando el método del mapa de Kohonen - por colores - para mayor claridad, y para encontrar la media global y la RMS de este mapa. Así podemos ver la calidad del modelo, la fuerza de su poder predictivo en toda la muestra, no sólo en el conjunto. Esta estimación podría ayudar a la función de aptitud a buscar áreas de mejora de hojas/árboles de la muestra con un bajo poder predictivo medio.
¿Qué te parece?
¿O es que no me he explicado bien?