L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2627
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Je comparais plusieurs façons d'évaluer l'importance des attributs. J'ai pris comme référence la plus gourmande en ressources : l'apprentissage du modèle en supprimant les attributs un par un.
Les méthodes rapides ne coïncident pas avec le benchmark. Ils ne correspondent pas non plus l'un à l'autre. fselector est encore plus rapide, je pense qu'il ne correspondra à rien non plus.
L'importance des signes dans la fenêtre mobile (indicateurs et prix)
À un moment donné, l'indicateur peut être important à 10% et à un autre moment, il peut être important à 0,05%, telle est la vérité de la vie).
Si vous pensez que l'évaluation croisée résout tout, vous devriez rougir, il est temps ...
Les données de la fenêtre glissante sont utilisées pour chaque modèle.
La validation croisée est utilisée pour comparer les résultats de formation de plusieurs modèles formés sur différents éléments de données.
Les modèles sur les données de fenêtres non coulissantes peuvent également être entraînés sur différents morceaux de ces données et bénéficier d'une validation croisée.
Pas clair, qu'est-ce que la validation croisée a à voir avec ça ?
Les données de la fenêtre glissante sont utilisées pour chaque modèle.
La validation croisée est utilisée pour comparer les résultats de formation de plusieurs modèles formés sur différents éléments de données.
Les modèles sur les données de fenêtres non coulissantes peuvent également être entraînés sur différents morceaux de ces données et bénéficier d'une validation croisée.
L'idée ici est qu'une fenêtre coulissante de même largeur ne résout pas le problème. La bonne idée est d'augmenter le nombre de passages par dimension, en modifiant la largeur de la fenêtre à chaque étape. C'est encore la malédiction))))
Qu'est-ce que la validation croisée a à voir avec cela ?
Les données de la fenêtre glissante sont utilisées pour chaque modèle.
La validation croisée est utilisée pour comparer les résultats de formation de plusieurs modèles formés sur différents éléments de données.
Les modèles sur les données de fenêtres non coulissantes peuvent également être formés sur différents morceaux de ces données et bénéficier d'une validation croisée.
Cool...
Quel est l'objectif du score d'importance ? Ainsi, en éliminant ceux qui ne sont pas importants, il est possible d 'entraîner le modèle plus rapidement à l'avenir, sans perdre en qualité. Il s'agit simplement d'adapter les données et le modèle qui fonctionnent déjà. Et ni vous ni moi (comme je le suppose) n'avons encore rien à accorder.
Donc, il suffit d'enseigner le modèle. Le modèle utilisera ceux qui sont importants et non ceux qui ne le sont pas.
Pas encore réveillé ?))
Je ne suis pas d'accord.
La validation croisée est la capacité de rejeter un modèle qui s'avère être une réussite sur un élément de l'histoire. En le testant sur quelques morceaux d'histoire, on pourrait constater que cela ne fonctionne pas.
Une simple validation croisée montre que les signes et le modèle sont flottants.
Ce "flottement" vous est montré par une autre méthode, la validation croisée pour moi.
L'idée ici est qu'une fenêtre coulissante de même largeur ne résout pas le problème. La bonne idée est d'augmenter le nombre de passages par dimension, en modifiant la largeur de la fenêtre à chaque étape. Merde encore))))
Bon sang, le soleil est dehors, il est temps de mettre un maillot de bain et d'aller au jardin.
Le test sur les petites données montre que les méthodes rapides ne fonctionnent pas bien.
Quel est le but du test d'importance ? Ainsi, en supprimant les données sans importance, vous pourrez former le modèle plus rapidement à l'avenir, sans perdre en qualité. Il s'agit simplement d'adapter les données et le modèle qui fonctionnent déjà. Et ni vous ni moi (comme je le suppose) n'avons autre chose à accorder.
J'enseigne donc simplement le modèle. Le modèle lui-même utilisera ceux qui sont importants et n'utilisera pas ceux qui ne le sont pas.
Et si je veux créer un neurone qui génère une sortie qualitative ?
Quant à la validation croisée (valving forward), vous n'avez toujours pas expliqué pourquoi c'est mauvais. Mes expériences montrent que c'est une méthode efficace pour éliminer les mauvais modèles/idées.