Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3317
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Fique onde você está. Todos são estúpidos, menos você, portanto, é você quem responde às perguntas.
O que é isso? O que é aquele rubor vermelho ali? É redondo, vermelho, lá embaixo.
Eu nunca vi um gráfico como esse antes.
Ficcionista, você está inventando coisas e forçando discussões sobre coisas que não existem.
Na verdade, é normal obter um gráfico como esse de algum modelo, em vez de ficar tagarelando aqui por anos.
Entendi corretamente que você pensa em aprendizado como encontrar a resposta de uma função sem alguns de seus membros?
Por exemplo, temos observações A+B+C=Y, A e B - como preditores, e C é desconhecido. Conhecendo as respostas (marcação) na amostra por meio da otimização, selecionamos a compensação do valor de C, que pode ser expressa por meio de manipulações, incluindo a multiplicação por coeficientes no caso de NS, ou por meio de regras mútuas. Ou seja, há uma investigação ativa da função para substituir as variáveis ausentes e chegar à resposta correta. Supõe-se que os resultados do cálculo da função na amostra sejam suficientemente representativos para que o resultado possa ser usado em novos dados.
Entretanto, no caso da otimização no testador, podemos alterar os valores das variáveis (essencialmente representando-as como funções), supondo que não as conheçamos, ou até mesmo saber quais delas darão mais peso à nossa função compensatória na forma de regras que aproximam os valores de Y.
Como já sabemos o que é um Professor, agora, mais uma vez, fotos para o Andrew
https://ru.wikipedia.org/wiki/%D0%94%D0%B8%D0%BB%D0%B5%D0%BC%D0%BC%D0%B0_%D1%81%D0%BC%D0%B5%D1%89%D0%B5%D0%BD%D0%B8%D1%8F%E2%80%93%D0%B4%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D0%B8
Mais perguntas do chatGPT.
Max, [26 Oct 2023, 18:59:31]:
Como o Dilema do Deslocamento-Dispersão se relaciona com o fato de encontrar um mínimo global?
ChatGPT e Midjourney | AI bot, [26 Oct 2023, 18:59:38]:
O dilema da dispersão de viés refere-se ao problema de seleção de modelos no aprendizado de máquina. Ele indica que, à medida que a complexidade do modelo aumenta (por exemplo, adicionando novos recursos ou aumentando o número de parâmetros), há um aumento na variância (dispersão) das previsões do modelo, mas pode haver um viés (erro) em relação aos modelos mais simples.
Por outro lado, encontrar o mínimo global refere-se à otimização dos parâmetros do modelo. O objetivo é selecionar valores de parâmetros nos quais o valor mínimo da função de erro seja alcançado. Entretanto, com um grande número de parâmetros e a complexidade do modelo, encontrar o mínimo global pode ser difícil ou até mesmo impossível.
Assim, o dilema da polarização-dispersão e a busca por um mínimo global estão relacionados ao fato de que a seleção de um modelo muito complexo para um problema de aprendizado de máquina pode causar um problema de supertreinamento (alta variação), enquanto o uso de um modelo muito simples pode causar um problema de subtreinamento (alta polarização). Isso pode dificultar a localização do mínimo global e levar a resultados abaixo do ideal. Portanto, é importante encontrar um equilíbrio entre a complexidade do modelo e sua capacidade de generalizar os dados para obter resultados ideais.
Max, [26 Oct 2023, 19:03:50]:
O modelo ideal deve corresponder ao mínimo global nesse caso, ou não?
ChatGPT & Midjourney | AI bot, [26 Oct 2023, 19:03:54]:
Não, o modelo ideal não corresponde necessariamente ao mínimo global. Em alguns casos, especialmente na presença de ruído nos dados, o mínimo global pode ser alcançado com o retreinamento do modelo. Esse modelo pode mostrar alta precisão nos dados de treinamento, mas generalizar mal os dados para novos exemplos.
Em vez disso, o modelo ideal deve estar próximo do mínimo global, mas com baixa variância e tendência. Esse modelo produzirá previsões estáveis e precisas sobre novos dados. Portanto, é importante considerar não apenas a precisão do modelo nos dados de treinamento, mas também sua capacidade de generalizar para novos exemplos ao selecionar o modelo ideal.
Entendi corretamente que você representa o aprendizado como a descoberta da resposta de uma função sem alguns de seus membros?
Por exemplo, temos observações A+B+C=Y, A e B - como preditores, e C é desconhecido. Conhecendo as respostas (marcação) na amostra por meio da otimização, selecionamos a compensação do valor de C, que pode ser expressa por meio de manipulações, incluindo a multiplicação por coeficientes no caso de NS, ou por meio de regras mútuas. Ou seja, há uma investigação ativa da função para substituir as variáveis ausentes e chegar à resposta correta. Supõe-se também que os resultados do cálculo da função na amostra sejam suficientemente representativos, o que permitirá usar o resultado em novos dados.
No entanto, no caso da otimização no testador, podemos alterar os valores das variáveis (essencialmente representando-as como funções), supondo que não as conheçamos, ou mesmo que saibamos quais delas darão mais peso à nossa função compensatória na forma de regras que aproximam os valores de Y.
Não entendi muito bem a pergunta. Por favor, esclareça.
Max, [26 Oct 2023, 18:59:31]:
Como o Dilema do Deslocamento-Dispersão se relaciona com a busca de um mínimo global?
ChatGPT & Midjourney | AI bot, [26 Oct 2023, 18:59:38]:
O dilema da polarização-dispersão refere-se ao problema de seleção de modelos no aprendizado de máquina. Ele indica que, à medida que a complexidade do modelo aumenta (por exemplo, adicionando novos recursos ou aumentando o número de parâmetros), há um aumento na variância (dispersão) das previsões do modelo, mas pode haver um viés (erro) em relação aos modelos mais simples.
Como é proposto considerar a variação (spread) do erro na classificação em vez da regressão?
Max, [26 Oct 2023, 19:03:50]:
O modelo ideal deve corresponder ao mínimo global nesse caso, ou não?
ChatGPT & Midjourney | AI bot, [26 Oct 2023, 19:03:54]:
Não, o modelo ideal não corresponde necessariamente ao mínimo global. Em alguns casos, especialmente na presença de ruído nos dados, o mínimo global pode ser alcançado com o retreinamento do modelo. Esse modelo pode mostrar alta precisão nos dados de treinamento, mas generalizar mal os dados para novos exemplos.
Em vez disso, o modelo ideal deve estar próximo do mínimo global, mas com baixa variância e tendência. Esse modelo produzirá previsões estáveis e precisas sobre novos dados. Portanto, é importante considerar não apenas a precisão do modelo nos dados de treinamento, mas também sua capacidade de generalizar para novos exemplos ao selecionar o modelo ideal.
Pergunte à GPT: quando você deve parar de treinar? Você ainda não respondeu a essa pergunta.
Não estou entendendo bem a pergunta. Por favor, esclareça.
Portanto, meus cálculos não estão corretos e a resposta é "não" - você tem uma ideia diferente do processo.