トレーディングにおける機械学習:理論、モデル、実践、アルゴトレーディング - ページ 3338

 
Maxim Dmitrievsky #:
興味深いことに、あなた自身が多かれ少なかれ長い間MOをやっていると、同じような結論に達する。アプローチの進化という自然なプロセスだ。こうして私はコズール、統計的学習、信頼できるAIにたどり着いた。これらの単語でググれば、役に立つものが見つかるはずだ。

そう、それは普通のプロセス、つまり共通の情報分野なのだ。歴史は、発見が2、3年間隔で行われることを知っているし、それを記述した著作は、チェック、レビュー、そして一般的には、理解しやすい言語への翻訳の後、遅れて出版される。

 
Aleksey Vyazmikin #:

分類については、ここに書いて あるようなものだ。ただ、CatBoostは計算式が少し違うのだが、数学的な変換のコストなのかもしれない......。

、ー同じ場所からのーからー


コードはない。写真から判断すると、後続のツリーは正確に0と1ではなく、0.21、1.08、-0.47......のような絶対誤差値で学習されている。回帰のように。
 
Aleksey Vyazmikin #:

ビデオをご覧ください

ちょっとした混乱だ。Loglossは悪いサンプルを取り除くと成長し、落ちない。良いサンプルを取り除けば、それも成長する。

自分でやらなければ、誰もやってくれない。
 
Tidy Modeling with R
Tidy Modeling with R
  • Max Kuhn and Julia Silge
  • www.tmwr.org
The tidymodels framework is a collection of R packages for modeling and machine learning using tidyverse principles. This book provides a thorough introduction to how to use tidymodels, and an outline of good methodology and statistical practice for phases of the modeling process.
 
СанСаныч Фоменко #:

多くのコードが掲載された良書。リンクを貼っておく。残念ながら.PDFファイルのサイズが大きすぎます。

//---------------------------------------


Perdon .トピック1のモデリング ソフトウェアに 目を通した。十分だった。

大量のコードは見つからなかった。あなたは間違いを犯したと思う。あなたは巧みに騙されている。

それはただ、巧みな言葉をたくさん使った美しい本なのだ。

P.Z.

他の本からのコピー。

何のシステムもない。

1 Software for modeling | Tidy Modeling with R
1 Software for modeling | Tidy Modeling with R
  • Max Kuhn and Julia Silge
  • www.tmwr.org
The tidymodels framework is a collection of R packages for modeling and machine learning using tidyverse principles. This book provides a thorough introduction to how to use tidymodels, and an outline of good methodology and statistical practice for phases of the modeling process.
 
Lorarica #:

ペルドン.トピック1モデリング用の ソフトを 一通り見た。それで十分だった。

大量のコードは見つからなかった。あなたは間違いを犯したと思う。あなたは巧妙に騙されている。

巧みな言葉を並べただけの美しい本だ。

P.Z.

他の本からのコピー。

システムなし。

本とはツイッターの投稿ではない。

私はこの本の半分以上を読んでいるので、自分で内容を判断できる。

この本のコードを書くのに使われたパッケージのリストはこちら。

This version of the book was built with: R version 4.1.3 (2022-03-10), pandoc version
2.17.1.1, and the following packages:
• applicable (0.0.1.2, CRAN)
• av (0.7.0, CRAN)
• baguette (0.2.0, CRAN)
• beans (0.1.0, CRAN)
• bestNormalize (1.8.2, CRAN)
• bookdown (0.25, CRAN)
• broom (0.7.12, CRAN)
• censored (0.0.0.9000, GitHub)
• corrplot (0.92, CRAN)
• corrr (0.4.3, CRAN)
• Cubist (0.4.0, CRAN)
• DALEXtra (2.1.1, CRAN)
• dials (0.1.1, CRAN)
• dimRed (0.2.5, CRAN)
• discrim (0.2.0, CRAN)
• doMC (1.3.8, CRAN)
• dplyr (1.0.8, CRAN)
• earth (5.3.1, CRAN)
• embed (0.1.5, CRAN)
• fastICA (1.2-3, CRAN)
• finetune (0.2.0, CRAN)
• forcats (0.5.1, CRAN)
• ggforce (0.3.3, CRAN)
• ggplot2 (3.3.5, CRAN)
• glmnet (4.1-3, CRAN)
• gridExtra (2.3, CRAN)
• infer (1.0.0, CRAN)
• kableExtra (1.3.4, CRAN)
• kernlab (0.9-30, CRAN)
• kknn (1.3.1, CRAN)
• klaR (1.7-0, CRAN)
• knitr (1.38, CRAN)
• learntidymodels (0.0.0.9001, GitHub)
• lime (0.5.2, CRAN)
• lme4 (1.1-29, CRAN)
• lubridate (1.8.0, CRAN)
• mda (0.5-2, CRAN)
• mixOmics (6.18.1, Bioconductor)
• modeldata (0.1.1, CRAN)
• multilevelmod (0.1.0, CRAN)
• nlme (3.1-157, CRAN)
• nnet (7.3-17, CRAN)
• parsnip (0.2.1.9001, GitHub)
• patchwork (1.1.1, CRAN)
• pillar (1.7.0, CRAN)
• poissonreg (0.2.0, CRAN)
• prettyunits (1.1.1, CRAN)
• probably (0.0.6, CRAN)
• pscl (1.5.5, CRAN)
• purrr (0.3.4, CRAN)
• ranger (0.13.1, CRAN)
• recipes (0.2.0, CRAN)
• rlang (1.0.2, CRAN)
• rmarkdown (2.13, CRAN)
• rpart (4.1.16, CRAN)
• rsample (0.1.1, CRAN)
• rstanarm (2.21.3, CRAN)
• rules (0.2.0, CRAN)
• sessioninfo (1.2.2, CRAN)
• stacks (0.2.2, CRAN)
• klaR (1.7-0, CRAN)
• knitr (1.38, CRAN)
• learntidymodels (0.0.0.9001, GitHub)
• lime (0.5.2, CRAN)
• lme4 (1.1-29, CRAN)
• lubridate (1.8.0, CRAN)
• mda (0.5-2, CRAN)
• mixOmics (6.18.1, Bioconductor)
• modeldata (0.1.1, CRAN)
• multilevelmod (0.1.0, CRAN)
• nlme (3.1-157, CRAN)
• nnet (7.3-17, CRAN)
• parsnip (0.2.1.9001, GitHub)
• patchwork (1.1.1, CRAN)
• pillar (1.7.0, CRAN)
• poissonreg (0.2.0, CRAN)
• prettyunits (1.1.1, CRAN)
• probably (0.0.6, CRAN)
• pscl (1.5.5, CRAN)
• purrr (0.3.4, CRAN)
• ranger (0.13.1, CRAN)
• recipes (0.2.0, CRAN)
• rlang (1.0.2, CRAN)
• rmarkdown (2.13, CRAN)
• rpart (4.1.16, CRAN)
• rsample (0.1.1, CRAN)
• rstanarm (2.21.3, CRAN)
• rules (0.2.0, CRAN)
• sessioninfo (1.2.2, CRAN)
• stacks (0.2.2, CRAN)
• stringr (1.4.0, CRAN)
• svglite (2.1.0, CRAN)
• text2vec (0.6, CRAN)
• textrecipes (0.5.1.9000, GitHub)
• themis (0.2.0, CRAN)
• tibble (3.1.6, CRAN)
• tidymodels (0.2.0, CRAN)
• tidyposterior (0.1.0, CRAN)
• tidyverse (1.3.1, CRAN)
• tune (0.2.0, CRAN)
• uwot (0.1.11, CRAN)
• workflows (0.2.6, CRAN)
• workflowsets (0.2.1, CRAN)
• xgboost (1.5.2.1, CRAN)
• yardstick (0.0.9, CRAN
内容的には、この本は「機械学習」と呼ばれるものの問題点と解決策を体系的に示したもので、このサイトでは、「機械学習」は通常単なるモデルとして理解されているので、非常に役に立つ。
 
Lorarica #:

ペルドン.トピック1モデリング用の ソフトを 一通り見た。それで十分だった。

大量のコードは見つからなかった。あなたは間違いを犯したと思う。あなたは巧妙に騙されている。

巧みな言葉を並べただけの美しい本だ。

P.Z.

他の本からのコピー。

システムなし。

ソフトウェアのセクションでは、彼女はたくさんのコードを探していた...))))

そして、たくさんの "気の利いた言葉 "と絵は、彼女にとって欠点である。)

道化師
 
СанСаныч Фоменко #:
いい本なんだけど、読む人がいないんだ。
 
リサンプリングとcvの後の統計出力は?そして最終的な分類器の構築。このトピックを取り上げて発展させてください。これはコズルの基本です。

効果的なモデルの作成、複数のモデルの比較、リサンプリング。そして、統計的推論や不偏モデル構築のようなものが必要だ。

統計的推測は必要だ。同じRLや他の手法と比較して、ある程度の結果が得られる。

統計的学習、弱い教師あり学習、機能拡張学習。
 
pythonにはsnorkel libがある。彼らのサイトのどこかに、教師による学習と弱い制御による学習の比較がある。後者が前者を上回るということだ。これも知っておくと便利だ。

理由: