Discussão do artigo "Métodos de conjunto para aprimorar previsões numéricas em MQL5"

[MetaQuotes]

Novo artigo Métodos de conjunto para aprimorar previsões numéricas em MQL5 foi publicado:

Neste artigo, apresentamos a implementação de vários métodos de aprendizagem de conjunto em MQL5 e examinamos sua eficácia em diferentes cenários.

O aprendizado de máquina frequentemente produz múltiplos modelos preditivos de qualidades variadas. Praticantes normalmente avaliam esses modelos e selecionam o de melhor desempenho para aplicações no mundo real. No entanto, este artigo explora uma abordagem alternativa: reaproveitar modelos aparentemente inferiores combinando suas saídas para potencialmente melhorar o desempenho preditivo geral. Examinaremos diversas técnicas para combinar previsões e demonstraremos sua implementação em puro MQL5. Finalmente, compararemos esses métodos e discutiremos sua adequação para diferentes cenários.

Para formalizar o conceito de combinar previsões de modelos, vamos introduzir algumas notações-chave. Considere um conjunto de treinamento composto por K pontos de dados, cada um representado como um par (xi,yi), onde xi é um vetor de preditores e yi é a variável resposta escalar que desejamos prever. Suponha que temos N modelos treinados, cada um capaz de fazer previsões. Quando apresentado um preditor x, o modelo n gera uma previsão denotada como f_n(x). Nosso objetivo é construir uma função de consenso f(x) que combine efetivamente essas N previsões individuais, resultando em uma previsão geral mais precisa do que qualquer modelo isolado.

Autor: Francis Dube

[Roman Shiredchenko]

Excelente artigo - obrigado. O tópico é relevante - pesquisando os dados - vou dar uma olhada no meu terminal e pesquisar.....

darei feedback aqui.

Essas informações estão em minha fila para consideração......