Discusión sobre el artículo "Puntuación de propensión (Propensity score) en la inferencia causal"
https://www.mql5.com/es/code/48482
Un archivo de los modelos del artículo (excepto el primero de la lista), para referencia rápida sin instalar Python.
- www.mql5.com
Hola, he utilizado su método : propensity_matching_naive.py en los parámetros que establece la formación de 25 modelos. Después del entrenamiento apareció en la carpeta del directorio python :
catboost_info .
¿Qué he intentado hacer? Cargado AUDCAD h1 citas, a continuación, utilizando el archivo :
propensity_matching_naive.py de su publicación : https://www.mql5.com/es/articles/14360.
No puedo entender qué hacer a continuación, ¿qué guardar más en formato ONNX, o este método sólo funciona como una prueba de evaluación de la calidad? :
catmodel propensity matching naive.onnx
catmodel_m propensity matching naive.onnx
Uso pythom por primera vez en mi vida, instalado sin problemas, las bibliotecas tampoco son difíciles. He leído sus publicaciones, enfoque serio, pero tal vez no el método más fácil de cálculo, puedo estar equivocado, todo es relativo.
He adjuntado pantallas, lo que tengo en mi formación.
- www.mql5.com
Hola, he utilizado su método : propensity_matching_naive.py en los parámetros que establece la formación de 25 modelos. Después de la formación apareció en la carpeta del directorio de python :
catboost_info .
¿Qué he intentado hacer? Cargado AUDCAD h1 citas, a continuación, utilizando el archivo :
propensity_matching_naive.py de su publicación : https://www.mql5.com/es/articles/14360.
No puedo entender qué hacer a continuación, ¿qué guardar más en formato ONNX, o este método sólo funciona como una prueba de evaluación de la calidad? :
catmodel propensity matching naive.onnx
catmodel_m propensity matching naive.onnx
Estoy usando pythom por primera vez en mi vida, lo instale sin problemas, las librerias tampoco son dificiles. He leído sus publicaciones, enfoque serio, pero tal vez no el método más fácil de cálculo, puedo estar equivocado, todo es relativo.
He adjuntado pantallas, lo que tengo en mi formación.
Bueno. en artículos anteriores descritos 2 maneras de exportar.
1. la anterior, exportando el modelo a codigo MQL nativo
2. exportar a formato onnx en articulos posteriores.
No recuerdo si hay una función de exportación de modelo en los archivos de python a este artículo. "export_model_to_ONNX()", Si no, usted puede tomar de los anteriores.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Puntuación de propensión (Propensity score) en la inferencia causal:
Este artículo trata el tema del emparejamiento en la inferencia causal. El emparejamiento se usa para emparejar observaciones similares en un conjunto de datos. Esto es necesario para identificar correctamente los efectos causales, eliminando el sesgo. Hoy explicaremos cómo esto ayuda a crear sistemas comerciales basados en el aprendizaje automático que se vuelven más robustos con nuevos datos en los que no se ha entrenado. El papel principal lo asignaremos a la puntuación de propensión, ampliamente utilizada en la inferencia causal.
En este artículo abordaremos el tema del emparejamiento, que ya tratamos brevemente en el artículo anterior, o más bien una de sus variedades: el emparejamiento por puntuación de propensión.
Esto es importante porque disponemos de un cierto conjunto de datos etiquetados que son heterogéneos. Por ejemplo, en el mercado de divisas, cada ejemplo de entrenamiento individual puede pertenecer a la zona de alta o baja volatilidad, además, algunos ejemplos pueden aparecer con mayor frecuencia en la muestra y otros con menor frecuencia. Al intentar determinar el efecto causal medio (ATE) en una muestra de este tipo, inevitablemente nos encontraremos con estimaciones desplazadas si suponemos que todos los ejemplos de la muestra tienen la misma propensión a someterse a un tratamiento. Y cuando intentamos obtener un efecto medio condicional del tratamiento (CATE) podemos encontrarnos con una molestia llamada "la maldición de la dimensionalidad".
El emparejamiento supone una familia de métodos para estimar los efectos causales comparando observaciones (o unidades) similares en los grupos de tratamiento y control. El objetivo del emparejamiento es realizar comparaciones entre unidades similares para lograr una estimación lo más precisa posible del verdadero efecto causal.
Autor: Maxim Dmitrievsky