Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3316

[Andrey Dik]

Maxim Dmitrievsky #:
Não sei o que se passa em meu coração, é apenas uma bobagem novamente

Você já recebeu a confirmação de outras pessoas, que são MOs, de que você não está pensando de forma alguma.

Quantas vezes você pode andar em círculos?

Por que está se remexendo e se remexendo?

A linha verde é um rastro, a linha vermelha é a validação. E a marca com o círculo vermelho é o local onde o gráfico de erros de validação muda de queda para aumento, é o Extremo Global! - Esse é o local em que você deve interromper o treinamento. Veja, a resposta simples à minha pergunta? Qualquer aprendizado é a essência da otimização com a busca do extremo global. Qualquer método de MO é reduzido exatamente a isso: otimização de alguma função de avaliação para um extremo global (minimização da função de perda ou maximização da função de avaliação). Mas você não é um otimizador, como assim? Mesmo que você não faça isso deliberadamente, os métodos MO fazem isso por você.

[Andrey Dik]

Maxim Dmitrievsky #:
Todos confirmam a interpretação incorreta de Sanych de que Teacher é sinônimo de marcações?

Não, eles não são a mesma coisa, não são sinônimos.

Embora as marcas possam atuar como professoras, isso depende da tarefa. Mas é impossível estabelecer uma igualdade inequívoca entre elas.

[[Excluído]]

Andrey Dik #:

Por que você está inquieto e inquieto?

A linha verde é um rastro, a linha vermelha é a validação. E a marca com um círculo vermelho é o local em que o gráfico de erro de validação muda de queda para aumento, esse é o Extremo Global! - Esse é o local em que você deve interromper o treinamento. Veja, a resposta simples à minha pergunta? Qualquer aprendizado é a essência da otimização com a busca do extremo global. Qualquer método de MO é reduzido exatamente a isso: otimização de alguma função de avaliação para um extremo global (minimização da função de perda ou maximização da função de avaliação). Mas você não é um otimizador, como assim? Mesmo que você não faça isso intencionalmente, os métodos MO fazem isso por você.

Este é o gráfico do modelo retreinado, no seu caso.

E após o ponto de interrupção, o aumento da complexidade leva ao aumento do treinamento excessivo, que é o que estávamos falando.

[[Excluído]]

Valeriy Yastremskiy estrutura dos dados.

Exemplos de tarefas:

• Aprendizado com um professor: classificação, regressão, previsão, detecção de fraudes, detecção de objetos, tradução automática etc.
• Aprendizado sem um professor: agrupamento, redução de dimensionalidade (PCA, t-SNE), regra associativa, visualização de dados e muitas outras.

Avaliação de modelos:

• Aprendizado com um professor: um modelo é avaliado com base em sua capacidade de fazer previsões ou classificações, comparando-o com rótulos conhecidos. As avaliações podem incluir precisão, medida F1, erro RMS e outras métricas.
• Aprendizado sem um professor: a estimativa é mais difícil porque não há rótulos conhecidos para comparar. A avaliação pode ser baseada na inspeção visual da qualidade do agrupamento, na comparação com outros algoritmos ou na análise de um especialista.

Ambos os tipos de aprendizagem têm suas aplicações na aprendizagem automática, e a escolha entre eles depende da tarefa específica e dos dados disponíveis. Às vezes, também são usados métodos híbridos, combinando a aprendizagem com e sem um professor para obter melhores resultados.

É evidente que há algo errado.

Voltar às definições.

P.Z.

Não está longe do fim.

Huh. Alguém teve uma epifania!

[lynxntech]

Andrey Dik #:
Semelhante de fato, mas no MO esse gráfico mostra e significa de forma diferente)).

Eu queria saber se, de alguma forma, você estava ciente disso).

[Andrey Dik]

Maxim Dmitrievsky #:
Este é um gráfico do modelo retreinado, no seu caso.

Por que "meu caso"? É o mesmo para todos. Se você continuar treinando após o círculo vermelho, obterá um modelo com excesso de treinamento. Portanto, espere algumas iterações até que a validade comece a crescer em algumas iterações, pare de treinar e escolha o resultado em que o círculo vermelho é o extremo global. Algumas pessoas podem levar o resultado para 2, 3, 4 e mais iterações ANTES, mas isso não muda a essência, pois ainda é necessário encontrar o extremo global.

[[Excluído]]

Andrey Dik #:
Por que "meu"? Todos eles têm. Se você continuar treinando após o círculo vermelho, obterá um modelo com excesso de treinamento. Portanto, você espera por várias iterações até que a validade comece a crescer ao longo de várias iterações, interrompe o treinamento e escolhe o resultado em que o círculo vermelho é o extremo global. Alguns podem pegar o resultado por 2, 3, 4 e mais iterações ANTES, mas isso não muda a essência, você ainda precisa encontrar esse extremo global.

Você tem um modelo retreinado antes do círculo.

[Andrey Dik]

Maxim Dmitrievsky #:
...

E depois de um certo ponto, o aumento da complexidade leva ao aumento do excesso de treinamento, que é o que estávamos falando.

É um gráfico de treinamento e validação. A complexidade não tem nada a ver com isso. Trata-se do fato de que, seja o que for que você faça no MO, você está procurando um extremo global, você é um otimizador, não importa o quanto negue isso.

[Andrey Dik]

Maxim Dmitrievsky #:
Você recebeu um modelo retreinado antes do círculo.

Isso é o suficiente, você está completamente perdido. Prove o contrário, mas não com frases de uma só palavra, mas com desenhos, explicações.

[[Excluído]]

Andrey Dik #:
Já chega, você estragou tudo. Prove o contrário, mas não com frases de uma só palavra, mas com desenhos e explicações.

Este é um gráfico dos erros em cada iteração no treyne e no eixo. Após cada iteração/época, há uma complicação do modelo. Você não desenhou qual é o erro em torno do círculo no eixo y e quantas iterações/épocas no eixo x. Se for 0,5, então o modelo não aprendeu nada ali e começa a treinar novamente. É por isso que seu gráfico não é nada.

O máximo/mínimo global é o erro zero.