Discussão do artigo "Processos gaussianos em aprendizado de máquina: modelo de regressão em MQL5"

Novo comentário
 

Novo artigo Processos gaussianos em aprendizado de máquina: modelo de regressão em MQL5 foi publicado:

Neste artigo, examinaremos os fundamentos dos processos gaussianos (PG) como um modelo probabilístico de aprendizado de máquina e demonstraremos sua aplicação em tarefas de regressão usando dados sintéticos como exemplo.

Os processos gaussianos (PG) são uma ferramenta de modelagem bayesiana amplamente utilizada em aprendizado de máquina para tarefas de regressão e classificação. Ao contrário de muitos modelos tradicionais, que fornecem apenas previsões pontuais, os PG formam uma distribuição de probabilidade completa para os valores previstos. Isso permite não apenas obter previsões pontuais, mas também avaliar a incerteza associada a elas por meio de intervalos de confiança. Essa é uma característica distintiva da abordagem bayesiana, na qual o conhecimento a priori é combinado com os dados observados para obter uma distribuição preditiva.

Os PG pertencem à classe dos métodos baseados em kernel, que utilizam funções de covariância (ou kernels) para modelar as dependências entre os dados. A possibilidade de combinar diferentes kernels, por exemplo, por meio de soma ou multiplicação, proporciona certa flexibilidade na descrição das possíveis funções preditivas. Cada kernel possui seus próprios hiperparâmetros, que devem ser otimizados para alcançar a máxima precisão do modelo.

Neste artigo, vamos destrinchar em detalhes o processo de previsão utilizando um modelo de regressão baseado em processos gaussianos, demonstrando de forma clara como os PG permitem não apenas construir previsões precisas, mas também avaliar de maneira abrangente a incerteza associada a elas.


Autor: Evgeniy Chernish

 

Interessante.

A maioria das imagens não carrega por algum motivo.

 
Verifique novamente, por favor
 
Rashid Umarov #:
Verifique novamente, por favor.
Obrigado, todas as imagens já foram carregadas.
 
Estou ansioso pela continuação.
 
Há uma forte relação entre os Processos Gaussianos para regressão e o teorema de Wiener-Khinchin https://danmackinlay.name/notebook/wiener_khintchine.html https://www.numberanalytics.com/blog/wiener-khinchin-theorem-guide Seria ótimo se você pudesse continuar nessa direção para nos esclarecer.
[Excluído]  
Ferramenta matematicamente bonita, mas que acabou se tornando um nicho, como, por exemplo, o método de vetores de suporte. Na verdade, não se ouve falar dele sendo usado em lugar algum :) Todos os modelos baseados em misturas gaussianas são lentos e têm desempenho ruim em grandes volumes de dados.
 
nevar #:
Há uma forte relação entre os Processos Gaussianos para regressão e o teorema de Wiener-Khinchin https://danmackinlay.name/notebook/wiener_khintchine.html https://www.numberanalytics.com/blog/wiener-khinchin-theorem-guide Seria ótimo se você pudesse continuar nessa direção para nos esclarecer.
A análise de Fourier tem mais a ver com estacionariedade e relações lineares. É mais fácil trabalhar no domínio do tempo com modelos ARIMA, que são equivalentes, em certo sentido, à análise de Fourier.

Mas os GPs já tratam da busca de relações não lineares e, nesse sentido, não estão longe das redes neurais, como o MLP, mas com a possibilidade de extrapolação e criação de intervalos de confiança das previsões.

Portanto, não pretendo abordar o Fourier, mas continuarei com o GP.

 
Maxim Dmitrievsky método de vetores de suporte. Na verdade, não se ouve falar dele sendo usado em lugar algum :) Todos os modelos baseados em misturas gaussianas são lentos e têm desempenho ruim em grandes volumes de dados.
É claro que não é uma ferramenta muito popular, mas eu a vejo como uma ferramenta promissora. O que me atrai é que, depois de entender a abordagem do kernel, você passa a ter um único ponto de vista coerente sobre a análise de dados. Há regressão e classificação e estimativa de densidade de kernel e seleção de recursos significativos e testes estatísticos de independência, etc.


[Excluído]  
Evgeniy Chernish #:
É claro que não é uma ferramenta muito popular, mas eu a vejo como uma ferramenta promissora. Sou atraído pelo fato de que, depois de entender a abordagem do kernel, você obtém um único ponto de vista coerente sobre a análise de dados. Há regressão e classificação e estimativa de densidade de kernel e seleção de recursos significativos e testes estatísticos de independência, etc.


De qualquer forma, é interessante :)

Novo comentário