Existe um padrão para o caos? Vamos tentar encontrá-lo! Aprendizado de máquina com o exemplo de uma amostra específica. - página 16
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
Em uma situação normal, a semente quase não tem efeito, o que importa é o algoritmo. Se você tiver que se preocupar com a semente, os dados já são ruins
a verificação de novos dados resolve, se houver apenas 10 sinais e não 1.000, você pode ter certeza sobre isso até certo ponto.
Acho que a profundidade padrão é 6, o que também não afeta muito, exceto para valores críticos.
A profundidade de aprendizado afeta de forma diferente, dependendo da variabilidade histórica.
Sim, talvez em preditores de 4 sementes não afete muito. A bobagem é um equívoco. É a semente que determina essencialmente quantos preditores serão usados no modelo.
Todos os parâmetros são afetados. Eu só queria dizer que você provavelmente tem uma ordem de magnitude maior de combinações do que de exemplos. Com 4 preditores, posso ver o sentido em um modelo de 1-3 árvores CB, com uma taxa de aprendizado de 0,3-0,5, caso contrário, ele já está se ajustando.
Você pode simplesmente tentar alimentar amostras diferentes para continuar aprendendo com novos dados. Até mesmo o CatBoost parece ser capaz de fazer isso. Ele também sabe como mesclar modelos, mas ainda não dei uma olhada nisso.
É um gradient bousting...
o que significa que ele aprende com os erros do modelo anterior
e só precisamos treinar em um modelo, e várias vezes.
A única diferença entre os modelos é que as amostras são deslocadas no tempo.
é um butim de gradiente.....
ou seja, aprender com os erros do anterior
e só precisamos treinar em um modelo, e várias vezes.
A única diferença entre os modelos é que as amostras são deslocadas no tempo.
Meu cérebro não consegue processar o que você escreveu.
Sim, talvez em 4 preditores a semente não tenha muito efeito. Essa bobagem é uma concepção errônea. De fato, a semente determina quantos preditores serão usados no modelo.
Todos os parâmetros são afetados. Eu só queria dizer que você provavelmente tem uma ordem de magnitude maior de combinações do que de exemplos. Com 4 preditores, posso ver o sentido em um modelo de 1-3 árvores CB, com uma taxa de aprendizado de 0,3-0,5, caso contrário, ele já está se ajustando.
A semente não afeta nenhum lugar em que haja um ótimo normal
+- curto-circuito, não importa.
Você pode ajustá-la um pouco, mas isso não é crucial.
a semente não tem efeito em nenhum lugar onde haja um ótimo normal
+- curto-circuito, não desempenha nenhum papel
Você pode ajustá-la um pouco, mas não é crucial.
Onde ele está?
E onde está?
onde variações no tema da semente não afetam muito o resultado, eu acho)
onde as variações no tema da semente não afetam muito o resultado, aparentemente)
Claramente não em nosso caso...
Obviamente, não em nosso caso.
Bem, há algo pelo que esperar.
Sim, há. Mas estamos falando de um mundo ideal, às vezes é melhor se adaptar ao mundo existente.
É uma questão de saber se é melhor dar uma olhada aleatória ou se ater a informações confiáveis a priori
Além dos horários de início e término (sessões, calendário), nada me vem à mente. O que você quer dizer com isso?