記事「機械学習や取引におけるメタモデル：取引注文のオリジナルタイミング」についてのディスカッション - ページ 14

[削除済み]

Aleksey Vyazmikin #:

参考

データフレームのカラム、クロースのカラム、そしてラベルが必要だ。

記事のように、データフレームがどのように見えるか見てください。そうでなければ、テスターも何もかも書き直さなければならない。

このようなことを学ぶのにどれくらいの時間がかかるのかさえ分からない。

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:

あらまあ、たくさんの記号があるわね。 さて、datetimeカラム、Kloseカラム、そしてタグが必要ね。

記事のように、データフレームを見てください。そうでなければ、テスターも何もかも書き直さなければならない。

このようなことを学ぶのにどれだけの時間がかかるのか、私にもわからない。

だから、テスターも他のものも全部書き直した......。

そうか。

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:

トレーニングにどれくらいの時間がかかるかわからない。

僕のコードは元のコードより少し速く動くよ。）だからトレーニングはもっと速い。しかし、私はGPUを使っています。

コードに間違いがあるようでしたら教えてください。

    X = dataset[dataset['meta_labels']==1]
    X = dataset[dataset.columns[:-2]]

この式は正しいようです。

    X = dataset[dataset['meta_labels']==1]
    #X = dataset[dataset.columns[:-2]]
    X = X[X.columns[:-2]]

2行目ではデータコピーの条件が再度実行され、メタモデルのターゲット "1 "によるフィルタリングなしでコピーすることになるからです。

私はまだ勉強中で、このパイソンについて間違っている可能性があります。

[削除済み]

Aleksey Vyazmikin #:

僕のコードは元のコードより少し速く動くよ :)だからトレーニングはさらに速くなる。でも、GPUを使っています。

これがコードのバグなのかどうか明らかにしてください。

正しい式は

そうでなければ、1行目は単に意味がありません。なぜなら、2行目ではデータコピーの条件が再度実行され、メタモデルのターゲット「1」によるフィルタリングなしにコピーされるからです。

私はまだ勉強中で、このpythonについて間違っている可能性があります。

はい、あなたのコードは正しいです。

私はまた、より速く、少し異なるバージョンを持っている、私はそれをmbの記事としてアップロードしたかった。

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:

はい、お気づきの通り、あなたのコードは正しいです。

私はまた、より高速で、少し異なるバージョンを持っている、私はそれをmbの記事としてアップロードしたかった。

書いてみてください。

私はトレーニングで得ることができた最高の。

そして、これは別のサンプルです

私は訓練を通して初期化のプロセスを追加しました。

[削除済み]

Aleksey Vyazmikin #:

書けば面白くなる。

トレーニングで一番良かったのは

そして、これは別のサンプルで

トレーニングによる初期化のプロセスを追加しました。

さて、Pythonはもうご存知ですよね。

このように表示されるということは、パターンを見つけるのが非常に難しいということです。あなたの場合、データの次元が高いせいかもしれません。私は通常5-10個の符号を付けます。

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:
パイソン 。

このように表示されるということは、パターンを見つけるのが非常に難しいということです。あなたの場合、データの次元が高いことが原因かもしれません。私は通常、5～10個の特徴量を入れます。

私は専門家ではありませんが、すべて「辞書」を使っています。

私はこのアプローチの効果を知りたかったのです。今のところ、それがあるのかどうかは分かっていません。一般的に、CatBoostは"マジック "なしでサンプルに対してトレーニングされる。したがって、私はより表現力豊かな結果を期待していました。

[削除済み]

Aleksey Vyazmikin #:

辞書があれば何でもわかるとは言わない。

私はこのアプローチの効果を知りたかった。今のところ、それがあるのかどうか気づいていない。つまり、CatBoostは「マジック」なしで、一般的にサンプルに対して学習される。そのため、もっと表現力豊かな結果を期待していた。

その効果は、記事にあるように、数回の反復の後に現れる。トレーニングの各反復では、より良くなるはずです。