Retraining - page 4
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
Alors dites-moi, comment décidez-vous si un attaquant est sur-entraîné ou sous-entraîné. Le surentraînement se dégrade-t-il d'une manière différente du sous-entraînement ?
La seule façon de déterminer la qualité des conditions d'entraînement est de voir la qualité correspondante du test hors échantillon. Et ce n'est qu'en comparant les résultats que vous pourrez dire si l'optimisation est sur- ou sous-optimisée. Mais je ne vois nulle part de sujet traitant de la sous-optimisation. Pour une raison quelconque, tout le monde voit la racine du problème dans la mythique sur-optimisation au lieu de la qualité du code.
La dégradation vers l'avant donne une estimation de la capacité de généralisation du système (c'est-à-dire la stabilité, l'adéquation aux données inconnues). Lorsqu'elle (l'aptitude) est faible, d'un point de vue pratique, peu importe que nous nous entraînions trop ou pas assez - dans tous les cas, nous serons rejetés. Mais si le conseiller expert est formé de manière classique - en utilisant l'ensemble des paramètres et le testeur MT - alors nous ne pouvons pas être sous-formés (d'un point de vue technique). Et si l'apprentissage se fait à l'aide d'un algorithme propre, nous pouvons utiliser des méthodes bien connues (par exemple, l'arrêt anticipé) pour trouver le point optimal où "l'erreur est minimale" (le meilleur résultat en OOS) : à ce point, la sous-optimisation est terminée, tandis que la sur-optimisation n'a pas encore eu lieu. Malheureusement, le testeur standard ne fournit pas une telle fonctionnalité automatique pour comparer les performances du système à la période d'optimisation et à l'arrêt. L'OOS en MT est le test de l'avant. Donc, ce qui est souligné en gras est en fait la même chose que ce que je dis. La personne qui a lancé le sujet a posé une question sur la reconversion, et les réponses qui suivent portent donc sur ce sujet. Quant au sous-apprentissage, si l'on entend par là non pas le degré d'optimisation mais plutôt la "qualité du code" abstraite qui semble inclure le choix des prédicteurs, les méthodes de préparation des données d'entrée, la profondeur de l'échantillon d'apprentissage et d'autres méta-connaissances, alors le sous-apprentissage est défini très simplement - par l'absence de résultats d'optimisation positifs.
Je ne suis pas d'accord avec le sous-entraînement - techniquement, ce n'est pas difficile à faire. C'est-à-dire que le fait de la dégradation elle-même ne dit pas si elle est surentraînée ou sous-entraînée.
Si l'auteur se détache de ce terme et comprend que l'optimum est quelque chose en Gauss, il formulera alors la question d'une manière légèrement différente - comment déterminer la quantité et la densité optimales d'entraînement.
Nous pourrons alors être plus précis.
Personnellement, je la définis en fonction des résultats du test.
Stanislav Korotky:
Термин этот не дурацкий, а давно устоявшийся и "одобренный лучшими собаководами"
En fait, le sur-apprentissage n'est pas vraiment un sur-entraînement, c'est un sur-apprentissage.
Essayons d'aborder la question sous un angle légèrement différent.
Le modèle/TS, lorsqu'il est entraîné (s'il en a la possibilité), est capable de se souvenir de certaines régularités à partir de données historiques, mais aussi, en raison de son imperfection, il se souvient du "bruit". Nous considérerons le bruit comme le fait que le TS peut "apprendre" et ne pas donner de bons résultats sur de nouvelles données, le bruit peut être différent pour d'autres stratégies.
La question intéressante est de savoir comment nous pouvons, au moins partiellement, limiter le TS/modèle afin qu'il ne puisse pas "se souvenir" du bruit. Ou comment "nettoyer" les données historiques du bruit, encore une fois, du bruit par rapport au TS.
Voici un exemple simple dans l'image, supposons que les lignes 1 et 2 sont du même modèle.
Voici un autre exemple, dans la zone entre les deux lignes verticales, le modèle (lignes rouges) est très faux.
En fait, le sur-apprentissage n'est pas vraiment un sur-entraînement, c'est un sur-apprentissage.
Exactement. Le montage ou le remontage est le même que celui de la bite.
De quoi parlent ces photos ? Qu'y a-t-il sur les axes ? Le nombre d'optimisations ?
Horizontalement, il devrait y avoir le nombre d'opérations d'optimisation des valeurs de l'indicateur ou du groupe d'indicateurs, survenant au même moment de l'histoire. Et sur la ligne verticale, le résultat de la vérification de l'ensemble du système. Ensuite, nous pourrons parler du surentraînement et du sous-entraînement et de ce qu'ils sont. Et alors la courbe sera très différente. Il s'agira presque d'une distribution normale, à la seule différence qu'à un moment donné, ajouter le nombre de passages (ou diminuer le pas pour le paramètre indicateur) ne donnera rien de nouveau.
Comment ajuster le nombre de passages ?
1. En modifiant simplement le nombre de sessions de formation, ou en modifiant la distance (pas) des paramètres de l'indicateur.
2. En modifiant la profondeur de l'historique de la formation par rapport à l'"étape" de la vérification de l'OOS. Ensuite, la même partie de l'histoire sera optimisée un nombre différent de fois, mais avec un nombre différent de "voisins".
3. En modifiant un algorithme d'optimisation génétique, si nous l'utilisons. Par exemple, en modifiant le nombre de générations, le caractère aléatoire, etc.
Voici, peut-être, tous les outils disponibles pour combattre PERE et NEDO.
Je noterai également que si nous nous concentrons exactement sur le contrôle et non sur le résultat lors de l'optimisation (fitting), alors la nature de la courbe ne dépendra pas du fait que le système lui-même soit non rentable ou non. C'est-à-dire que si le système est perdant, il perdra encore plus s'il est surentraîné, c'est tout. La tâche de la formation est de trouver l'optimum des paramètres. Et la tâche du codage consiste à trouver des variantes exploitables, l'optimum de formation ne crée rien de nouveau par lui-même.