Discusión sobre el artículo "Métodos de ensamble para mejorar predicciones numéricas en MQL5"
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 Métodos de ensamble para mejorar predicciones numéricas en MQL5:
El aprendizaje automático a menudo produce múltiples modelos predictivos de calidad variable. Los profesionales normalmente evalúan estos modelos y seleccionan el de mejor rendimiento para aplicaciones del mundo real. Sin embargo, este artículo explora un enfoque alternativo: reutilizar modelos aparentemente inferiores combinando sus resultados para mejorar potencialmente el desempeño predictivo general. Examinaremos varias técnicas para combinar predicciones y demostraremos su implementación en MQL5 puro. Finalmente, compararemos estos métodos y discutiremos su idoneidad para diferentes escenarios.
Para formalizar el concepto de combinar predicciones de modelos, introduzcamos algunas notaciones clave. Considere un conjunto de entrenamiento que consta de K puntos de datos, cada uno representado como un par (xi,yi), donde xi es un vector predictor y yi es la variable de respuesta escalar correspondiente que pretendemos predecir. Supongamos que tenemos N modelos entrenados, cada uno capaz de hacer predicciones. Cuando se le presenta un predictor x, el modelo n genera una predicción denotada como f_n(x). Nuestro objetivo es construir una función de consenso f(x) que combine eficazmente estas N predicciones individuales, produciendo una predicción general más precisa que cualquier modelo individual.
Autor: Francis Dube