Discusión sobre el artículo "Cuantificación en el aprendizaje automático (Parte 1): Teoría, ejemplo de código, análisis sintáctico de la aplicación CatBoost"
Errores tipográficos:
3. Сохранение таблиц квантования в указанный файл – ключ "--input-borders-file"
4. Carga de tablas de cuantificación desde el archivo especificado - clave "--output-borders-file"
Invertir.
La cuantificación en el aprendizaje automático no es una red neuronal cuántica (como tampoco lo es el entrenamiento de una red neuronal cuántica).
Sergey Pavlov red neuronal cuántica (como tampoco lo es el aprendizaje de redes neuronales cuán ticas).
¿Dónde se afirma esto? ¿Parece que la palabra "cuantificación" induce a error y distorsiona las expectativas?
Gracias por el artículo, ¡interesante!
Yevgeniy Koshtenko #:
Un artículo muy interesante.
Un artículo muy interesante.
Muchas gracias.
Yevgeniy Koshtenko #:
¿Puedo añadirte como amigo? Soy nuevo en ML. Intento codificar modelos y guardarlos en ONNX, pero me salen tonterías de ciruela o simplemente memorización elemental de datos históricos(
¿Puedo añadirte como amigo? Soy nuevo en ML. Intento codificar modelos y guardarlos en ONNX, pero me salen tonterías de ciruela o simplemente memorización elemental de datos históricos(
Te agregué, aunque cualquiera puede escribirme - no hay restricción de programa.
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
Artículo publicado Cuantificación en el aprendizaje automático (Parte 1): Teoría, ejemplo de código, análisis sintáctico de la aplicación CatBoost:
En este artículo, hablaremos de la aplicación teórica de la cuantificación en la construcción de modelos arbóreos. Asimismo, analizaremos los métodos de cuantificación implementados en CatBoost. El material se presentará sin fórmulas matemáticas complejas, en un lenguaje accesible.
Qué es la cuantificación y por qué se usa: ¡vamos al grano!
En primer lugar, hablemos un poco de datos. Así, para crear modelos (entrenarlos) se requieren datos meticulosamente recopilados en una tabla; la fuente de dichos datos puede ser cualquier información que pueda explicar la métrica objetivo (lo cual determinará el modelo, por ejemplo, una señal comercial). Las fuentes de datos pueden denominarse de diferentes formas: predictores, fichas, atributos o factores. La frecuencia de aparición de una fila de datos viene determinada por la aparición de una observación comparable del proceso del fenómeno sobre el que se recopila información y que se estudiará con la ayuda del aprendizaje automático. El conjunto de los datos obtenidos se denomina muestra.
Una muestra puede ser representativa, es decir, cuando las observaciones registradas en ella describen el proceso completo del fenómeno estudiado, o puede ser no representativa, es decir, cuando hay tantos datos como ha sido posible recoger, lo que solo permite describir parcialmente el proceso del fenómeno estudiado. Por regla general, cuando nos ocupamos de los mercados financieros, tratamos con muestras no representativas, porque aún no ha ocurrido todo lo que puede ocurrir, y por este motivo no sabemos cómo se comportará un instrumento financiero cuando se produzcan nuevos eventos que no han ocurrido antes, en su totalidad. No obstante, todo el mundo conoce la expresión "la historia se repite", y es en esta observación en la que se basa un tráder algorítmico en su investigación, con la esperanza de que entre los nuevos eventos se encontrarán aquellos que fueron similares a los anteriores, y que su resultado se asemejará a la probabilidad identificada.
Autor: Aleksey Vyazmikin